随着问答系统的逐步发展,专业领域的问答系统可以结合多个专业领域的知识形成问答系统,其实用性引起了广大专业人士的兴趣。然而,当前中国专业领域知识图谱里缺乏关于农业的知识图谱,所以如何在农作物领域构建品质高的知识图谱仍存在困难。基于深度学习的智能问答系统的开发也是有难点的,因为基于知识图谱的问答系统对自然问题的理解能力要求很强,而农业领域缺乏基于知识图谱的问答训练语料库。针对以上问题,本文融合了深度学习和规则匹配,基本完成了基于知识图谱的谷物问答系统的研究,研究的内容也分为以下四个方面:（1）结构化数据的获取技术方面:分别从国内各大农业网站例如中国农业信息网、农业农博网、万农网、百度百科等网站内获取与谷物品种相关的各种半结构化数据和非结构化的数据,以及从国家自然科学基金上的《上海农业农村大数据共享服务平台建设和应用》的项目网站内能够直接获取质量较好的半结构化的数据,来进一步用于对本课题数据的模型构建,同时也做了大量的数据标注,这些数据标注在未来人工智能农业领域的发展来说有一定的贡献。（2）模型构建方面:对于模型的构建,本课题在知识抽取章节里,针对谷物文本的部分待抽取字段长、字段多等特点,阐述了针对性的解决方法。通过文本识别分类、命名实体识别、关系抽取、规则抽取这四个方向来进行数据抽取任务,另外自研的自反馈深度学习模型,在谷物的数据抽取上取得了较好的效果,F1值在现有测试集上达到0.7254,相对于现阶段在公用测试集上有较好的效果提升,提升值为0.0194。（3）数据存储方面:由于谷物数据有部分更新较快,且结构简单不需要做深度推理,本课题针对此除了将由模型抽取到的三元组数据存入知识图谱外,同时设计了My SQL的数据存储表来解答相关知识。（4）智能问答方面:本课题根据中国农业信息网、农博网、万农网、百度百科等网站的数据信息,提供了谷物的市场价格、期货波动等、另外还有基本信息、灌溉指导意见、播种指导意见、虫害预防、贸易情况、生产情况、成本收益、气候类型等,与目前常见的只回答农作物病虫害等问题的问答系统相比,在内容上有所拓展。本文提出了基于深度学习和规则匹配的自反馈算法模型针对于谷物问答系统。实验结果表明:该方法在一定程度上能解决传统人工提问方式所存在的问题,且能够有效地提高回答正确率和效率。