得益于知识图谱技术的迅速发展和智能问答技术的逐渐成熟,普通的搜索引擎需要用户对链接进行二次筛选的问题逐渐得到了解决。本文借助于深度学习技术,以医疗领域为例搭建知识图谱,将用户输入问题到答案反馈这个流程拆分为三个阶段,从而形成以领域知识图谱为基础的问答系统,旨在整合领域知识,为用户提供简单快捷的信息检索服务。基于此目标,本文的主要研究内容包括以下三个方面:（1）首先,本文提出一种中文命名实体识别模型DB-Attention。为避免分词粒度过小和重要词信息丢失的问题,该模型使用融合词典信息的字符级嵌入作为输入,通过Biaffine双仿射注意力机制对用户输入的问题进行特征提取,并在嵌入层融合词典信息。实验证明,本文提出的嵌入方法对细粒度特征的提取能力有3%的F1值提升。Biaffine双仿射机制的引入也使模型可以识别嵌套实体,为问答系统的实现提供了技术支持。（2）其次,提出一种改进的意图解析模型Bi-Text CNN。该模型针对Text CNN无法捕获字符间复杂关系的问题做出改进。首先在Text CNN模型基础上增加一组n-gram预训练词嵌入作为静态语义特征,使用多个卷积核对两种词嵌入进行特征提取,最后进行最大池化得到语句的分类概率。实验表明,Glo Ve词嵌入这种用共现矩阵代替全局矩阵奇异值分解的方法,不仅可以使训练更加平滑,还能在考虑全局语料信息的情况下有效节省4%左右的系统开销。（3）最后,对基于医疗健康领域知识图谱的智能问答系统做了详细的总体设计。为了做好问答系统的数据支撑,收集医疗相关实体4万个,实体间关系24万条,并完成医疗领域知识图谱的构建工作。随后整合DB-Attention模型和Bi-Text CNN模型搭建了B/S架构的智能问答系统。最后对系统各个模块进行了详细阐述并展示了问答系统的前端页面。通过测试,系统准确率为66.3%,验证了系统的可用性。本文提出的模型在实体识别任务中取得了良好的效果,不仅提高了识别实体的效率,还支持嵌套实体的识别。此外,在考虑全局信息的情况下,双通道的意图解析模型也在解析性能和系统开销两个方面,取得了一定的性能优势。基于领域知识图谱的医疗问答系统体现了新型信息检索工具的优越性,为用户提供了搜索引擎外的另一种简单可靠的信息检索途径。