随着网络中数据信息的快速增长,知识库的规模也与日俱增。由于知识库中数据量的庞大规模以及复杂结构的限制,普通用户很难快速有效地获取需要的信息。因此,基于知识库的问答,运用自然语言处理技术,对于用户提出的自然语言问题,自动利用知识库存储的三元组信息（即知识）进行解答,显得尤为迫切和重要。目前,基于知识库的问答研究引起了国内外学者的广泛关注。根据回答问题所需要的三元组的数量可以将知识库问答分为两类:单关系知识库问答和多关系知识库问答。近些年来,随着深度学习的快速发展,大量的工作利用深度学习强大的表示学习能力在知识库问答研究中取得了一定的进展,然而知识库问答依旧存在若干问题亟待解决。针对单关系知识库问答而言,它主要面临着以下挑战:（1）神经网络虽然拥有优秀的特征学习能力,但是由于神经网络缺乏可解释性,用户无法估计模型预测结果的可信度,从而会给知识库问答系统在实际应用中带来安全隐患;（2）现有的基于端到端的知识库问答方法中问题与实体和关系的匹配过程互相独立,忽略了知识库中实体和关系之间的依赖关系。针对多关系知识库问答而言,关系检测,作为多关系知识库问答的核心任务,往往被视为一个单标记学习问题,忽略了一些复杂问题对应多个关系路径的现实。针对以上不足,本文的主要工作包括如下:1)本文提出了一种基于贝叶斯神经网络的端到端的知识库问答模型。它一方面能够同时预测问题对应的实体和关系,并考虑知识库中实体和关系之间的相关性,另一方面它在预测实体和关系的同时,能够估计预测过程中的数据和模型不确定性。与现有的基于端到端的知识库问答方法相比,它在Simple Question数据集上取得了更好的效果。此外不确定性被用来进行了误分类检测实验和误差原因检测实验,实验结果表明了提出的不确定性度量的有效性。2)本文首次将知识库关系检测任务形式化为多标记多跳关系生成问题,并提出了基于序列到序列框架的层次序列关系生成模型（HSRGM）。该模型设计了一种新的解码器关系生成方式,能够分层次的进行关系预测,并考虑了关系之间的相关性。在Freebase QA数据集上的实验结果表明了该模型的有效性。本文共分为五章,第一章阐述了研究背景和研究意义,描述了相关工作以及研究动机和内容。第二章介绍了相关知识库,并阐述了论文所涉及的相关技术。第三章介绍了基于贝叶斯端到端框架的简单知识库问答模型,该模型在预测答案的同时给出了预测时模型和数据产生的不确定性,为用户提供了判断依据。第四章介绍了基于层次序列生成模型的面向知识库问答的多标记多跳关系预测方法及相关实验。第五章总结了全文的工作,并对未来工作进行了展望。