知识图谱技术的快速发展使得海量的知识和信息能够被结构化地存储和查询,这使得人们搜索信息的途径不再局限于传统基于字符关键词匹配的搜索引擎,知识库问答技术为此提供了新的解决方案。然而人们输入的自然语言问句不能直接地被知识图谱所理解,需要先将自然语言解析为计算机能够执行的形式。本文将问句理解任务分为信息抽取和信息消岐两个子任务来进行研究,本文所研究的图匹配方法是将知识子图与问句进行相似度匹配。针对信息抽取任务,提出了基于表卷积神经网络的实体关系联合抽取模型,用于抽取出句子中包含的实体和关系形成知识子图。针对信息消岐任务,结合粒计算的思想,提出了基于语义超图匹配消岐的问答方法。两种方法相结合能够将包含多关系的复杂自然语言问句与知识图谱进行匹配,得出正确的问句理解查询图,从知识图谱中查询出正确答案完成问答任务。本文主要工作如下:1.提出了一种基于表卷积神经网络的实体关系联合抽取模型ETC,该模型能够对自然语言输入中的实体和关系进行联合抽取。首先通过神经网络和条件随机场学习生成句子的初始特征表,随后利用本文所提出的表卷积神经网络层学习词语对之间的依存关系信息生成新的特征表,最后通过表填充的方式预测词语的实体类型和词语对之间的关系类型,能够避免在得分图上进行复杂的搜索计算。为了验证模型的有效性,本文在手工标注数据集Co NLL04和远程监督数据集NYT上进行了实验,与现在流行的方法进行了对比,ETC在命名实体识别,关系分类和联合抽取任务上都取得了较为优秀的结果。2.在信息消岐任务上提出了一种基于语义超图匹配消岐的问答方法。该方法首先对问句进行信息抽取,并融合知识图谱信息构建语义超图,随后利用先验知识构建多粒度上下文特征对语义超图中的实体进行初步消岐,最后通过语义相似度匹配,字面相似度匹配,和关系相似度匹配相结合的排序策略逐步进行推理消岐,获得复杂多关系问句的最终理解结果,能够有效地提升问答系统的效率和准确率。在中文问答数据集CCKS2019-CKBQA和NLPCC-ICCPOL 2016上进行了验证实验,与任务最优方法相比,在不使用人工设计的规则模板或多问答模型融合的情况下,取得了最优实验结果。