随着人工智能技术的不断发展,自然语言处理的相关研究与应用在人类生活中发挥着越来越重要的作用,信息检索便是自然语言处理中的重要技术之一。而在信息检索中基于关键词的中心化检索技术已逐渐无法满足人们获取目标信息的需求。相比之下,智能问答系统因结合深度学习等方法可准确识别文本中关键实体以及用户意图,这样使得返回结果更加符合用户需求,且回复效率更高,结果也更为准确。本文将以医药领域切入,构建基于深度学习的领域智能问答系统。通过深度学习模型可识别用户输入文本中的关键实体,并有效识别用户提问意图,结合系统所构建的大型医药领域知识图谱完成信息检索及语义槽填充,返回用户正确答案。本文主要工作内容和创新点包含以下四个方面:（1）构建数据丰富的医药知识图谱。领域知识图谱作为系统的数据支撑,通过爬虫技术在公开医药网站进行结构化数据获取,并采用数据清洗、Schema定义、知识存储等方法完成医药知识图谱的构建,知识图谱中包含实体、属性、关系等信息五十余万条。（2）提出面向实体识别任务的融合模型BiLSTM-CRF-Attention。本文在基准模型BiLSTM-CRF的基础上,充分利用问句中关键实体的上下文特征信息,并引入注意力机制中的并行头用于多次计算和学习文本序列在不同子空间上的信息,得到新的融合模型BiLSTM-CRF-Attention。本文将其与基准模型进行对比试验分析,以验证模型的有效性与可行性,选择性能最优的BiLSTM-CRF-Attention模型作为应用。（3）提出面向意图识别任务的融合模型BERT-TextCNN。本文在基准模型TextCNN和BERT的基础上,充分利用二者局部特征提取能力和全局学习能力,得到新的融合模型BERT-TextCNN。本文将其与基准模型进行对比试验分析,以验证模型的有效性与可行性,选择性能最优的BERT-TextCNN模型作为系统应用。（4）结合以上创新方法,设计、构建与部署基于深度学习和医药垂直领域知识图谱的智能问答系统。系统主要由数据层、业务层和交互层组成。数据层以知识图谱作为数据支撑,业务层以语句解析模块和答案检索模块作为核心。交互层通过实现系统后端数据与微信间的通信,以微信聊天界面作为问答界面,实现了人机交互,支持用户进行医药领域问题咨询并返回优质答案。