随着互联网技术的发展和人工智能技术的演进,基于搜索引擎的问答技术难以满足人们日益增长的需要。人们需要在繁杂冗长的搜索结果中寻找自己需要的信息。在“新型冠状病毒”疫情的影响下,怎样准确简单地了解病情信息就成为了亟待解决的课题。本文实现的临床医学智能问答系统可以理解用户提问,精确识别用户意图,在知识库中寻找答案,将答案准确简洁地返回给用户。本文通过爬取互联网中的医学知识网页资源,并基于规则的方式对提取到的资源进行形式化处理,结构化地生成知识图谱所需要的实体属性以及关系属性,从而构建相应领域的知识图谱。利用开源的Neo4j图数据库进行组织、存储和查询。针对用户提问的意图以及关系链接算法,本文使用组合模型结构的关系链接算法计算问题意图与关系属性的对应相关程度。结合知识图谱的查询语句,实现问答系统算法层。对于构建知识图谱的过程,本文对网络爬取技术和基于规则库识别实体和关系属性的技术进行了实验,最终构建的临床医学知识图谱中的实体规模达到了8万数量级,关系规模达到了145万数量级。对于基于深度学习的问答算法的实现,本文通过对比实验分析组合模型效果更好,表明了组合模型可以兼顾卷积神经网络和循环神经网络的优点,从而可以达到更好的效果。本文最后通过对比实验发现加入注意力机制后的效果均有提升,表明了注意力机制对于这几种神经网络模型效果提升的有效性。因此CNN-Bi-LSTM-Attention组合模型的问句关系属性链接算法效果最好,本文最终使用这种组合模型算法来实现问答系统的算法层。本文根据上述理论和算法构建了问答系统的架构,并且实现了一个具有可视化界面的临床医学知识图谱问答系统。在本文的实验下,该系统达到了较高的准确率以及较好的稳定性,表明了该系统的可用性较高。在以后的研究中,可以使用更多构建知识图谱的方法。可以将本文的方法迁移到更多领域中,构建其他领域问答系统。