结构化知识库自动问答任务面向自然语言问题文本与结构化知识库,通过模型学习生成SQL语句获取问答结果,是当前自然语言处理领域的重要课题。针对现有结构化知识库自动问答无法有效解决问题文本中存在的实体模糊、问题文本难以与知识库语义融合、答案生成不自然等问题,本文以中文结构化知识库的自动问答为研究对象,结合单个知识库、单轮问答场景,构建深度学习模型,实现自然答案生成,提升基于结构化知识库的问答效果。本文从以下三个方面开展研究工作:（1）针对问题文本中存在模糊实体的问题,本文提出基于图神经网络和正则表达式的实体去模糊方法。首先基于正则表达式技术,将问题文本中存在的模糊数字实体、模糊百分比实体、模糊年份实体提取并清晰转化;其次基于图注意力网络构建图结构数据,将缺失文本实体进行去模糊操作。在中文NL2SQL数据集中的实验表明,本文模型相较于未去模糊模型综合性能提升1.5%,有效提升文本实体抽取的准确度。（2）针对问题文本难以与知识库实体语义融合的问题,本文提出基于图神经网络的SQL生成模型。首先基于预训练模型获取初始化的问题文本语义表示;其次通过门控图神经网络模型对问题文本与结构化知识库进行关联特征学习与生成,获取基于问答场景下的语义表示;最终基于分类模型生成SQL。在中文NL2SQL数据集中的实验表明,本文模型相较于非图神经网络模型在综合性能提升2.2%,全匹配度达到64.5%;在Wiki SQL数据集中,本文模型全匹配度达到65.8%,有效提升SQL生成性能。（3）针对SQL返回答案单一且片段的问题,本文提出基于图神经网络的自然答案生成模型。首先借鉴槽位填充机制,设置主-谓-宾结构;其次通过图神经网络技术,进行自然答案的填充。在中文NL2SQL数据集中的实验表明,本文模型的全匹配度达到59%,相较于非自然答案生成模型性能提升4%。本文基于图神经网络的结构化知识库自动问答任务面向实际需求,有效解决问题文本不易被问答模型理解、知识库信息难以与问题文本信息进行融合表示、自动问答答案生成不自然的问题。测试结果表明对自动问答任务中SQL语句生成以及自然答案生成任务均有一定的效果提升,为后续基于结构化知识库的自动问答研究提供重要支撑。