随着大数据时代的到来,传统的基于关键字并返回一系列网页的搜索方式渐渐不能满足人们获取信息的需求。问答系统在一定程度上弥补了搜索引擎的不足,是目前自然语言处理领域的研究热点。近年来,深度学习技术的不断发展,又为智能问答领域带来了诸多突破。由此,基于深度学习的问答系统成为了自然语言处理中最热门的研究方向。本文旨在运用深度学习技术构建基于深度学习模型的限定领域问答系统。首先利用深度学习模型完成问句理解中的意图识别和槽位提取,进而将问句转为知识库可理解的结构化查询语句,最终从构建的电影领域知识图谱中进行答案检索。具体的研究内容如下:本文首先介绍了本课题的研究背景与意义,对问答系统的分类进行了简要阐述,提出了本文要研究的基于知识图谱的限定领域问答系统,同时介绍了问答系统的国内外发展现状以及基于知识图谱的问答系统的几种实现方式。在接下来的两章,本文开始研究基于深度学习方式的问答系统中的问句理解部分。在第二章,本文采用基于Word2Vec的卷积神经网络模型实现问句的意图识别,首先训练词向量模型完成词的分布式表示,接着搭建CNN模型提取问句特征并完成问句的意图分类,最后通过与其它分类模型的对比实验证明搭建模型的有效性。在第三章,本文针对问句槽位提取问题研究了Bi-LSTM-CRF模型,该模型通过双向循环神经网络以及CRF的引入,可以解决LSTM无法很好地学习上下文信息以及Bi-LSTM无法进行标签约束的问题。实验结果表明,基于Bi-LSTM-CRF的序列标注模型有效地提升了问句序列标注的准确性,进而达到了提高问句槽位提取的准确率的目的。在完成对基于深度学习的问句理解的研究后,第四章开始进行本文问答系统的需求分析与概要设计,提出了系统框架图并给出了模块划分。在第五章,本文根据设计的算法设计并实现了一个基于知识图谱的以微信公众号为终端的电影领域问答系统,详细地介绍了问答系统中各个模块的实现过程。实际运行效果表明,该系统可以实时对用户提出的领域相关问题进行准确回答,由此证明了所设计算法的可行性。