伴随着医疗信息化水平的快速提高,越来越繁杂的数据制约了人们检索数据的效率。如何设计一个合适的问答系统为人们的生活提供便利就成为了迫切的需求。其中,对医学领域内所存在的大量医疗知识和医疗数据进行深度挖掘与整合就是一个关键的任务。知识图谱作为医疗垂直领域应用的典型代表,通过对数据进行高精度与高质量的建模可以为其提供有力支撑。本文阐述了一个问答系统的构建过程,并在此基础上对于涉及到的意图分类,命名实体识别等技术进行研究与改进。该系统面向医疗领域,从人们日益增长的疾病问诊的需求出发,组建了一个大型知识图谱网络,并通过微信聊天问答的方式进行设计与实现。系统在帮助用户快速的了解身体健康状况的同时,还可以加强用户对有关的疾病认知,做到在宏观上把握病情,在微观上做出决策。在一定程度上,该系统还可以起到辅助医生进行医疗知识介绍与普及的作用,让用户对于后续的实际就诊更有信心。本文的主要工作包含以下几点:（1）完整地构建了一个基于医疗垂直领域的知识图谱,其中包含了8种实体与11种实体关系,共计35000个。过程主要分为数据的采集,信息的提取,知识的融合与加工等步骤,针对不同的数据源,具体的方式是通过常用的网络爬虫到各大高质量医疗数据网站抓取半结构化数据,利用命名实体识别方式抽取非结构化文本实体,最后利用图形数据库存储数据。（2）研究并设计了对于用户问题的意图识别方法。其中包含非医疗意图识别与医疗意图识别两大类。针对5类非医疗意图,主要采用了GBDT与LR模型相结合的方式来完成,系统通过爬虫获取常见医疗问答数据共6000多条进行训练,实验证明融合模型优于二者的单一模型及其他分类模型,适合用于意图识别与分类。（3）完成并改进了针对用户问题中医疗实体的提取方法。模型在采用BiLSTM-CRF命名实体识别模型的基础上,结合了AC自动机这一多模式字符串匹配方法,通过综合二者得分机制共同对实体进行抽取。系统针对用户的输入设计了共计11类医疗命名实体,通过中文医学问答数据集c Med QA共计30多万条数据进行训练。实验证明融合模型有效的增强了抽取性能。在此基础上,本文搭建了一个基于微信平台的医疗问答系统,通过相关测试测试分析显示,本系统可以较好的完成用户基本的医疗问诊需求。