随着科技的发展和网络医疗咨询的逐步兴起,越来越多的用户通过在线服务平台进行医疗咨询和寻求帮助。目前这些平台在回答用户问题时,一般通过搜索引擎进行问题检索,这种方式主要依赖于关键词语信息匹配,同时受用户对医学专业词汇表述的影响,通常不能充分理解用户语义,难以获取准确的内容。为了解决传统在线医疗服务平台存在的这些问题,医疗问答系统通过医疗知识库来匹配用户描述的病情,直接给出相关解决方案。但由于目前医疗问答领域缺乏公开的大规模中文医疗知识库,而且问答主要借助于实体识别与谓词匹配的方式提取关系三元组,会导致错误传播,同时现有的问答语义匹配技术存在复杂度高等问题,难以准确高效地进行用户问题与医疗知识库的匹配。因此,本文通过中文医疗知识库的融合、改进的问答语义匹配模型以及实体链指等模块的研究,提出基于语义匹配的一种端到端的问答过程,来解决中文医疗问答中现有的问题。本文的主要研究内容包含以下几个方面:（1）基于实体对齐算法的医疗知识库融合。为了解决中文医疗领域缺乏大规模医疗知识库的问题,本文首先获取开源的医疗知识库（包括中文症状库和中文医学知识图谱）并进行了预处理,同时抽取了医疗垂直网站的数据。然后,提出了一种联合结构嵌入与属性语义聚合的表示学习方法,融合多源的医疗数据实体及其关系,并采用Neo4j数据库进行存储,从而构建了一个更大规模的中文医疗知识库CMed-KB,为后续的医疗问答提供数据支持,同时扩充了现有中文医疗知识库的实体关系数量和规模。最后,为了后续问答语义匹配模型的训练,本文从构建的CMed-KB中抽取实体类型与表述属性,构建了医疗实体映射词典。（2）基于Transformer改进的问答语义匹配模型。通过分析典型的LSTM系列的模型在语义匹配任务上复杂度高的问题,本文针对医疗问答任务需要较高的准确率和响应速度,提出了一种基于Transformer改进的中文医疗问答语义匹配模型。该模型利用多头注意力机制分别对两个文本进行特征编码,在根据自身上下文信息进行语义表示的基础上,包含更丰富的交互特征。在c Med QA2医疗数据集和ATEC2018数据集上分别进行实验,并与目前典型的几种匹配模型进行对比,验证本文改进的语义匹配模型具有更高的准确率、更低的复杂度。（3）基于语义匹配的中文医疗问答的研究。针对现有的医疗知识库问答存在实体识别错误而容易导致级联误差的问题,本文设计了一种基于CMed-KB的问句实体链指方法,并将语义匹配模型引入到医疗问答中,构建了一个端到端的中文医疗问答过程。该过程首先结合CMed-KB找到候选实体集,然后根据构建的二分类评分模型筛选出命名实体,进而在CMed-KB中找到候选答案相关信息,最后使用语义匹配模型对问句与候选答案信息进行的语义编码,根据语义匹配分数选出最佳答案。本文提出的中文医疗问答方法可以较好地解决实体识别级联误差以及现有问答匹配模型存在的问题,有效地提高了医疗问答的准确性。通过以上内容的研究,本文解决了医疗知识库融合过程中存在的难点,构建了更大规模的中文医疗知识库,并将改进的问答语义匹配模型引入到问答中,构建了一个端到端的中文医疗问答方法。采用构建的中文医疗问答数据集进行对比实验,结果表明,本文提出的问答方法具有较高的准确性。