随着社会的高速发展,人们的生活水平越来越高,同时对医疗健康的关注也不断上升,使得对医学知识的需求不断增长。然而,信息的爆炸式增长导致在繁杂冗余的医疗数据中难以快捷高效的获取所需知识,同时知识的分析和推理发现新知识变得困难。因此,挖掘出医疗数据中的隐藏信息,对推动医疗产业的发展具有重要意义。对医学数据进行分析的关键是怎样从大量的数据中获取有效的医学知识。知识图谱（Knowledge Graph,KG）为上述问题的解决提供了途径。然而,由于缺乏专业的中文医疗数据集,且中文表达复杂,数据形式多样,已有的方法难以直接适用,因此在现有的医疗知识图谱中,中文医学知识图谱数量较少。同时知识图谱普遍存在稀疏性,特别是专业领域的知识图谱,它们通常重点关注概念体系的构建,缺乏深层次的知识与关联,这使得基于知识图谱的推理以及智能问答等下游任务的发展停滞不前。因此,如何对中文稀疏知识图谱补全,使其能更加高效地进行知识推理,从而挖掘新知识是一个较大的挑战。本文针对脑部疾病数据开展研究,首先从互联网上获取了以脑部疾病为主其他疾病为辅的医疗知识,组织为三元组格式,构建中文脑部疾病知识图谱,并存入Neo4j数据库。其次按照稀疏程度设计了四个数据集,利用基于强化学习的ConvE模型对不同稀疏图谱推理补全,探讨稀疏程度对补全模型性能的影响。发现图谱的稀疏程度和补全效果之间不存在正相关关系,而是当图谱的稀疏程度在某个区间时补全效果较好,能够获得更加有效的知识。同时在通用领域公开的英文数据集（UMLS,WD-singer,NELL23k,FB15k-237）上对结论进行了验证,实验结果符合探讨结论。最后,将本研究中构建的中文脑部疾病知识图谱作为知识库,设计并实现了中文脑部疾病的问答系统。系统包括三个模块,分别是提取输入语句的实体与意图分类、cypher语句生成和查询结果输出。通过模板匹配算法,系统可以对脑部疾病的相关知识进行问答。