知识库问答是自然语言处理领域中的一项重要任务,其目的是对自然语言描述的问题,从知识库中查找或推断出问题答案,关于知识库问答的研究具有重要的价值和意义。使用手工模板实现知识库问答是一种经典的方法,但是面对复杂的自然语言,以及与日俱增的用户问题数量,传统的手工模板暴露出模板构建难度高、构建出的模板数量少的问题。本文提出了一种基于自动生成模板的知识库问答方法。使用现有的训练问题答案对,在关系词典基础上,自动地生成模板,并使用生成出的模板回答测试问题。其次,对于没有模板匹配或者模板返回答案集合为空的测试问题,本文提出了一种计算问题之间相似度,使用相似问题协助进行问答的方法,补充完善模板问答方法。本文的主要研究内容如下:（1）提出了自动的模板生成方法。本文通过远监督的方法构建了关系词典,搭建自然语言与知识库之间的映射。使用训练问题与答案的组合,借助关系词典,抽取问题的词性和依存句法组成的树结构问题模板,从问题查询图中抽取查询图结构组成的图结构查询模板,问题模板和查询模板的组合构成本文模板。（2）使用自动生成的模板回答问题。对于测试问题,将模板库与问题进行匹配,匹配成功的模板会生成候选查询。本文使用排序学习的方法对候选查询集合进行排序,选择最佳候选查询的查询结果作为问题答案。（3）对于没有模板匹配或候选查询全部查询结果均为空的问题,提出使用相似度计算补充回答。本文假设语义相似的问题在知识库中具有相同的关系。使用卷积神经网络和LSTM构建了问题的语义相似度计算模型,计算训练问题与测试问题的相似度,使用相似度最高的训练问题的查询关系构建测试问题答案的查询,并在知识库中检索答案。本文在常用的数据集上对本文方法的可行性和有效性进行了验证。实验结果表明,在数据集WebQuestionsSP和SimpleQuestions上,本文方法相较于前人方法在准确率、召回率和F₁值上均有所提升。