自2012年谷歌提出了知识图谱的概念至今,知识图谱这一领域一直是科学研究和科技应用的前沿热点,其应用也涉及了从搜索到推荐等众多领域。目前,医学是知识图谱应用最广的垂直领域之一,也是目前国内外人工智能领域研究的热点。其中,在线医疗社区逐渐被大众熟知和使用,其中的医患问答文本具有很高的研究价值。因为医疗行业知识中专业用词多且在线医疗社区医患问答文本非结构化程度高、语言表述差异化大,这些问题导致了对齐进行医疗实体识别和关系抽取都是较为困难的,从而导致了医疗知识图谱构建困难重重。针对在线医疗社区中文本非结构化程度高的问题,提出基于CNN-Bi LSTM-CRF的实体识别模型,利用python语言在pytorch深度学习框架下分别使用卷积神经网络CNN（Convolutional Neural Networks）和双向长短记忆神经网络Bi LSTM（Bi-directional Long Short-Term Memory）两种深度学习对文本的不同特征进行抽取,在CNN识别出中文单个字的汉字级特征,在Bi LSTM中识别出结合上下文信息的特征,将识别出的特征进行融合放入条件随机场CRF（Conditional Random Fields）中完成对实体的识别。利用寻医问药网中关于乳腺癌疾病的问答文本的实验,整体的识别准确率高达92.32%。并分别与Bi LSTM-CRF和CNN-CRF模型在同一数据集上进行了对比验证,证明了所采用方法的有效性。针对由于地域差异以及个人语言表述习惯等原因导致医患问答文本存在着语序上的差异化表达的问题,采用BERT-Attention,充分利用左右两侧的双向的上下文信息来进行医疗实体间的关系抽取。利用python语言在pytorch深度学习框架下,采用寻医问药网中关于乳腺癌疾病的问答文本进行方法验证,模型的准确率达到了89.8%。并且通过与Glove-Attention和Bi GRU-Attention模型进行对比,表明BERT-Attention的方法明显优于其他模型,从而验证了方法的有效性。最后,基于已经识别出的实体和关系,本研究还利用可视化工具Echarts实现了对知识图谱的可视化,并进行了简单的分析。通过构建在线医疗社区医患问答文本的知识图谱,不仅为复杂文本实体识别及关系抽取工作提出新的解决思路,丰富了知识图谱技术在医学领域的研究方向,还提出了一种基于知识图谱智能问诊的实现,这种问诊方式更加直观生动而且可以缓解医生压力、提升回复效率同时推动个性化医疗行业的发展。