在医疗问答领域,用户需要的答案往往来源于多个结构互异的数据源,且其答案内容也相差甚远。知识图谱能把多源且复杂的数据以更为直观且人性化的方式表现出来。而现有医疗导诊问答系统有如下两个问题:第一,知识图谱缺乏医疗数据或医疗数据信息不全;第二,问答系统算法多采用传统深度学习模型,导致问答系统“智能度”不高。针对现有知识图谱和问答系统的不足,开展了以下研究工作:第一,为了构建数据较全的医疗知识图谱,首先针对不同医疗网站结构,设计定制提取器爬取数据,清洗并过滤掉非句子成分。对于清洗后的数据,选用在医疗问答领域使用较少的基于预训练模型（Bidirectional Encoder Representation from Transformers,BERT）的双向循环网络（Bi-LSTM）,并结合条件随机场（Conditional Random Field,CRF）来进行知识抽取。然后对抽取结果采用叠词相似度、编辑距离、余弦相似度等同义词算法取平均值的方式进行知识融合。最后利用Neo4j数据库进行数据存储。第二,聚焦于问答系统的“智能度”,精心设计并实现问答系统的各个模块,重点包括特征提取、意图识别等。在特征提取模块中结合医疗语料数据集和深度学习各个模型的特点,通过融合BERT-BiLSTM-CRF模型,对比分析其与BERT、BiLSTM和CRF之间多个融合后的模型的准确率。针对问答系统用户输入语句长度较短的特点,设计并实现以TEXTCNN结合规则的意图识别模块,即选择适合短文本的分类模型TEXTCNN对文本意图初判断,然后对初步结果集用关键词响应进一步筛选。第三,基于微信小程序和Flask平台,搭建一个具有自我诊断病情、记录病史及推送医疗消息等功能的中文医疗问答服务平台。实验中的结果表明,BERT-BiLSTM-CRF融合模型在命名实体识别中比传统的BiLSTM-CRF性能更好,F1值为91%,提升了3%。在短文本意图识别中,TEXTCNN和BERT的F1值均为94%。但单句预测速度TEXTCNN比BERT更快,TEXTCNN单句预测用时2.53ms,BERT单句预测用时7.45ms。问答系统各个模块算法耗时均在10ms左右,服务平台响应时间在0.35s左右,满足一般应用生产要求。