智能问答是指计算机通过分析用户提问,自动回答用户所提出的问题,是一种高级形式的信息服务。知识图谱本质上是一种围绕特定实体所构成的语义关系网络,由实体、概念以及它们之间的关系组成。将知识图谱拥有的丰富且庞大的现实世界知识注入智能问答模型中,将使智能问答模型的表示能力进一步提升,进而在面向事实型问答任务时,无论是用户意图的识别,还是问答中实体的识别都将更为符合现实世界的常识,从而从基础上提升智能问答系统的性能。本文首先介绍了领域知识图谱的构建以及基于知识图谱的智能问答在国内外的技术现状及发展情况。为了对后续问答方法的研究,本文构建了一个汽车领域的知识图谱,介绍了数据获取的过程和知识图谱构建的方法。基于构建的知识图谱,本文研究了基于汽车领域知识图谱的问答方法,提出并实现了一种图匹配方法,同时实现了一种模板匹配方法和一种信息检索方法。其中图匹配方法首先对用户问句进行解析,构建依存树,然后将依存树结构转化为相应的语义图,语义图由节点和关系边构成,可以看作是知识图谱的子图,将语义图同整个知识图谱进行图匹配得到问题答案,完成回答;模板匹配方法预先定义问题模板,当用户输入问句时,根据识别到的触发词及关键信息,寻找用户问题对应的模板,通过槽位填充得到填充后的问题模板,进一步生成图数据库查询语句,在知识图谱中执行得到问题的答案;信息检索方法首先在文本语料库中建立索引,当用户输入问句时,对用户问句进行分词,得到问题中的关键词,根据得到的关键词在索引文件中检索结果,返回匹配程度最高的答案。实验表明,本文实现的方法在回答事实型问题上具有较好的效果。本文还研究了当通过知识图谱无法找到用户问题的答案或当用户输入内容并非提问时,只通过用户输入内容生成答案的方法。具体来说,训练了一个基于深度学习的端到端模型,作为知识图谱问答方法的补充,当用户意图为闲聊或使用前述方法无法找到问题答案时,使用端到端模型基于用户的问句内容生成回答。为了判断用户输入意图,本文训练了一个基于Fast Text模型的文本分类器,对用户输入进行闲聊和汽车领域提问的二分类,根据分类结果调用相应的问答方法进行回答。最后,本文设计了一个基于汽车领域知识图谱的智能问答系统,该系统融合了前文的研究成果,并实现了两种可视化交互界面。