知识库问答旨在通过解析用户的问句直接在知识库中提取出相应的答案,相比于传统的网页搜索可以极大提高用户的检索效率。传统知识库问答方法需要设计大量的规则和模板将用户的问句转化为结构化的表示,并不适用于大规模的知识库。深度学习凭借其强大的特征学习和提取能力,在知识库问答任务中取得了极为耀眼的成绩。然而,现有的基于深度学习的知识库问答依然遵循着实体检测和关系识别的步骤,但是此类方法忽略了知识库本身所蕴含的结构信息以及这两项任务之间的联系。本文致力于研究深度学习在知识库问答中的应用。针对现有知识库问答算法的缺陷和存在的问题,提出了两种基于深度学习的知识库问答方法及知识库问答系统的设计与实现。具体研究内容如下:（1）针对传统基于深度学习算法没有考虑知识库本身结构化信息方面的不足,提出了基于表示学习的知识库问答模型。在模型中首先应用知识表示模型将知识库中的实体与关系映射至低维的向量空间,然后通过神经网络将问句也嵌入相同的向量空间,并检测出问句中的实体,并在此向量空间内度量知识库三元组与问句的语义相似度。实验结果表明,该算法可以较大提升知识库问答的准确度,论证了知识库嵌入对于知识库问答任务的提升作用。（2）鉴于自然语言处理领域里程碑式的BERT模型在阅读理解、文本匹配等领域的卓越表现,提出将BERT模型应用至知识库问答。首先证明了BERT对于知识库问答各个子任务较为明显的提升作用,另外结合基于知识表示的问答任务的技术路线特点,对BERT模型的输入加以改造,将知识库问答的各个子任务融合进一个模型,并引入损失函数加权和迭代式训练的多任务训练策略进行训练。实验结果表明,可以通过对知识库问答的子任务进行组合训练来提高最终的问答准确率。（3）区别于传统网页检索系统,将知识库问答的检索过程及结果进行可视化,设计了知识库问答系统。首先将知识库导入图数据库,然后用前端开发框架Vue.js设计网页界面,并使用Flask对后台语言解析、图数据库调用等算法进行接口的封装。本文将上述两个知识库问答方法应用至Simple Question公开数据集上展开实验,通过多组对比实验来衡量模型的效果,并将实验结果与应用在对应公开数据集上的其他方法进行对比,结果表明本文提出的方法可以较大提升知识库问答的性能表现。另外本文设计的知识库问答系统也具有非常好的易用性和实用性。