互联网的发展使人们获取信息的渠道更丰富,然而获取有效信息的效率也变得更低了。为了解决此问题,基于知识图谱的问答系统（KBQA）成为了研究的热点之一,相较于传统的搜索引擎,它能够实时地给用户反馈准确且简洁的答案。构建基于知识图谱的问答系统共需要四步:命名实体识别、实体链接、属性选择和得出答案,其中,命名实体识别和属性选择是研究KBQA的关键技术。本文在研究KBQA的相关技术后,首先在命名实体识别模块进行了大量对比实验,选择了性能良好的实体识别模型,然后在属性选择模块提出了一个全新的属性选择模型MAF＿CNN,并在模型中提出了一个矩阵融合算法,最后,本文将四大步骤连接起来,实现了一个完整的问答系统。本文的具体工作如下:（1）命名实体识别是实现问答系统不可或缺的一部分,由于实体识别模型在中文语料上的实验结果尚不够充分,对此,本文在同一数据集上对当前常见的模型进行了多组对比实验,最终选择了基于BERT-Bi LSTM-CRF的命名实体识别模型。（2）在属性选择模块中,本文提出了一个基于卷积神经网络的属性选择模型MAF＿CNN。为了解决单一中文分词工具无法充分提取输入信息的问题,该模型采用了多粒度的输入方式,同时在嵌入层和卷积层之间,加入了多头自注意力机制,用于捕获句子的长距离上下文信息,然后将问句和候选属性通过卷积层和k-max池化层提取的特征向量进行相似度匹配融合。（3）为了解决MAF＿CNN模型中相似度特征提取不足的问题,本文提出了一个矩阵融合算法,能够更有效地捕获文本序列的相似特征,并在交互融合矩阵后,通过卷积层和最大池化层提取相似度更深层次的特征。（4）本文分别实现了KBQA的四个模块,并将它们连接起来,实现了一个基于中文知识图谱的问答系统,最后对系统进行了功能测试。本文实现的问答系统在NLPCC2016大赛问答数据集上进行了测试,并与大赛的前五名结果进行了对比。实验结果表明,本文研究的问答系统的平均F1值超过了大赛第一名,验证了本文研究模型的有效性。