近年来,随着计算机性能的不断提升与互联网文本所蕴含的信息的快速增长,将Web信息结构化、知识化,构造由概念、实体、关系所构成的语义网络——知识图谱,并基于此构建自动问答系统,已成为大势所趋。本文基于知识图谱的语义解析问题展开研究。针对语义解析的特点,本文将其分为实体检测和关系预测两个子任务。为了解决实体识别过程中,使用BiLSTM会造成“标记混乱”的情况,本文构造了BiLSTM+CRF网络结构,利用CRF在输出层添加了约束条件,一定程度上避免了该问题,并在SIMPLEQUESTION数据集上取得了93%的F值。针对实体链接过程中出现的实体非对齐问题,本文提出了基于启发式的实体链接算法,可以显著降低噪声的影响,比原有方法的F值提高了3%。在关系预测任务中,大多数现有的关系预测方法都遵循所谓的编码器比较框架。它们将问句和知识图谱关系映射到公共的向量空间,这可以方便地计算问句向量和关系向量之间的相似性。然而,这不可避免地会失去原始单词交互信息。为了保留更多原始信息,本文提出了ARNN-SMCNN模型,旨在利用卷积神经网络(CNN)和循环神经网络(RNN)的互补优势来捕获全面的分层匹配信息。该模型利用RNN模型的序列建模性质来获取语义级别相关性,并使用注意力机制来获取问句的不同表达方式。同时,利用基于相似度矩阵的CNN来提取文字级别词汇交互匹配信息。本文利用提出的模型在SIMPLEQUESTION数据集上进行实验,验证了ARNN-SMCNN模型的有效性。同时,本文还针对知识图谱构建问题,完成了对实体、关系的标注和抽取工作,并以构建金融领域知识库为例,设计了包括数据源获取、公司机构实体抽取、商业关系抽取等领域知识库构建流程。针对金融领域实体识别,本文首先分析了特征构造方式对于条件随机场模型结果的影响,并验证了本文抽取的特征的作用。此外,还将主动学习的思想应用于条件随机场模型中,解决了标注样本不足情况下的实体抽取问题。在关系抽取方面,本文定义了多种金融领域相关的关系,并制定这些关系的候选关键字。针对特征组合需耗费大量人工成本的问题,本文将GBDT模型和逻辑回归模型通过Stacking的方式进行组合,以解决该问题。与对比算法相比,该模型在所有关系分类实验中均取得不错的效果。