基于知识图谱的问答系统（KBQA）应用越来越广,用户提出的问题也更加复杂,通常包含多个查询意图,需要进行逻辑,定量,比较等聚合型的推理运算。语义解析方法是一种实用的方法,旨在将复杂的自然语言查询转换为机器可执行的逻辑形式（logic form,LF）,再通过模块化的符号执行得到最终答案。训练语义解析模型通常需要大量专家标注的“黄金（gold）”逻辑形式。但是在实际应用中,获得这种逻辑标注的成本很高。弱监督的语义解析模型只利用问答对即可进行训练,优先搜索可行的候选逻辑形式,再通过答案与逻辑执行结果的比较来获得监督信息。但在搜索过程中,可能会出现很多答案正确的错误逻辑,模型自身很难进行区分,也就很难搜索得到反馈更高的、完全正确的逻辑形式,从而阻塞了模型的优化过程。针对上述问题,本文耦合神经网络与符号执行方法,构建了弱监督语义解析模型,使得问答系统无需逻辑形式的标注即可完成训练。并且,尝试结合主动学习策略,使得系统能够主动选择问答示例的子集,请求额外的人工标注作为监督信息,排除虚假逻辑形式的干扰,打破优化被阻塞的状态,进一步提升问答系统的性能。本文的主要工作如下:（1）构建一个弱监督的语义解析模型。通过神经网络模型将自然语言问题转换成逻辑形式序列,再通过模块化的符号执行来回答聚合型的复杂问题。并且仅利用问题答案作为监督信息进行初始化训练。（2）提出了结合主动学习策略的方法。在训练好弱监督语义解析模型的基础上,启发式的选择一部分数据获取额外标注,排除虚假逻辑形式的干扰,避免解析器陷入局部最优解。（3）设置了多组对比实验。验证弱监督语义解析方法的有效性,以及结合主动学习策略对系统性能的提升。对比不同的选择策略和标注方案的影响。（4）构建聚合型复杂问题的问答系统。基于本文提出的问答方法,设计并实现了基于知识图谱的,聚合型复杂问题的问答系统,经过测试,满足系统的各项需求。