随着生活节奏的加快,人们生活压力较大,导致现在消化疾病出现的频率增加。为了减少线下诊断所花销的成本,互联网医疗带来了便利性。但是由于网上检索的信息内容各色各样,且大多数返回的是一个个网页,频繁地点击网页寻找答案,这占据了人们大量的时间与精力,不容易让人们理解和快速得到答案,所以能够根据人们的问题快速且准确地返回答案是关键。本文对基于消化内科知识图谱的智能问答进行研究,利用深度学习方法对问句进行解析,再从消化内科知识图谱中搜索答案,从而实现智能问答。与网上搜索相比,能更快速返回问题答案,更符合用户的需求。本文对问答关键技术的研究主要分为命名实体识别和问句意图分类两个部分,以此应用于问句解析方面。本文工作主要包含以下几个方面:（1）基于BERT的实体识别模型研究。引入BERT模型来获取包含上下文语义的词向量,融合结构相对简单的Bi GRU,既保留了Bi LSTM解决长距离依赖的能力,又提升了计算速度。并且通过在人民日报公开数据集和CCKS2017电子病历数据集上的实体识别对比实验验证了模型的有效性。（2）对问句意图分类方法进行研究。提出ALBERT-Text CNN模型用于分类任务,利用ALBERT模型获取特征向量可以加快训练速度,再结合Text CNN模型进行问句意图分类预测。最后在CMID数据集上进行对比实验,证明模型的有效性。（3）消化内科知识图谱的构建。利用Open KG的结构化数据以及爬取医疗网站的半结构化数据,通过知识抽取,知识融合以及知识存储三个步骤来构建知识图谱。（4）智能问答的实现。利用前面提出的算法模型进行实体识别和问句意图分类,再匹配到对应的Cypher语句模板,利用Cypher语句在消化内科知识图谱中查询答案,最后返回到用户交互界面,实现辅助问诊,医疗疾病知识搜索等问答功能。