知识库问答是自然语言处理领域中的一项重要任务,其目的是根据自然语言描述的问题,从知识库中查找或推断出问题的答案,具有重要的研究价值和意义。如何跨越自然语言与知识库查询语言之间的差异是知识库问答的难点。语义解析方法将自然语言问题转化成对应的形式化查询,是目前得到广泛研究的一个方向。然而,在面对日益复杂的自然语言问题时,现有的语义解析方法暴露出关系检测准确较低,形式化查询构建噪声过大等缺点。本文的研究目标是通过语义解析的方法,将自然语言问题转化成知识库可以理解的形式化查询,从而实现知识库上的自动问答。整体问答流程包括三个阶段:实体链接,关系检测,以及形式化查询构建。其中,实体链接直接使用现有方法的结果,全文重点关注关系检测与形式化查询构建。本文的主要贡献如下:（1）提出了一种使用多头注意力机制的关系检测模型。利用该模型计算问题与知识库关系的匹配分数。并以此对关系排序,选取top-k条关系作为构建形式化查询的候选。与传统的关系检测模型相比,本文的模型基于Transformer,采用多头注意力机制,可有效应对候选关系的“长序列”。（2）提出了一种基于查询结构预测的形式化查询构建方法。首先,根据输入的问题预测出查询结构。接着,利用实体链接与关系检测的结果,依照预测的结构进行组合,生成候选查询。最终,对候选查询排序,在知识库中执行排名最高的查询检索答案。与传统的基于结构枚举的策略不同,本文首次提出预测查询结构以约束候选生成。此外,为了保证结构预测方法的灵活性,本文没有采用任何预定义的结构模板,而是设计了一种生成框架,可以根据输入问题自动生成查询结构。（3）在三个主流的知识库问答数据集上对提出的方法进行了有效的验证。实验结果表明,本文提出的方法在三个数据集上都具有良好的表现。其中,在复杂问题数据上达到了目前最先进的结果,并且在处理简单问题时同样具有竞争力。本工作的意义在于,为知识库问答任务提供了一个有效且可解释的解决方案。该方案在处理包含多条关系与多种约束的复杂问题时展现了良好的性能。同时,语义解析的管道过程,以及逻辑形式的输出可以直观体现出方法对问句语义的理解,有利于进行误差分析。因此,本文的工作对于日益复杂的问答场景具有重要意义。