随着数字化社会的不断发展,人工智能技术的不断壮大,各个领域的应用场景也变得愈加复杂。在自然语言处理领域中,关于特定领域内的自动问答研究也变得深入和多样。普通的搜索引擎是返回基于关键词的一系列文章,而问答系统通过对自然语言的分析,给出更精确的回答。它是更高级、更精准的搜索引擎,体现了计算机的智能性。知识图谱聚合了大量知识的结构化语义信息,能够对各类事物进行建模,并对各类概念及概念之间的关系进行详细的描述,是通往认知智能的道路上的基石,也推动了人工智能的发展。基于知识图谱的问答能够利用实体间的关系,提供高质量的知识来源,理解所输入问题的语义,完成查询、推理和概念检索等操作,辅助提升检索信息的效率,明确用户查询背后所包含的语义信息,返回正确答案。然而在蒙古文信息处理领域,不仅缺乏与百度百科相似的搜索引擎,而且对知识图谱技术的应用也较为匮乏。为解决以上这两个问题,针对蒙古文领域问答系统的研究十分必要,通过实现问答这种更高级的检索信息的方式,可以深层次理解蒙古文语义知识,促进各民族文化交流,推动中华民族共有精神家园建设。蒙古语的（?）（五畜）是指马、牛、骆驼、绵羊和山羊。蒙古语中,五畜相关的专有词汇十分丰富多彩且具有鲜明的民族特色,如五畜的类别、性别、年龄、毛色、性情等都是具有细致的称呼的,还有很多的通用名称或者方言土语词汇,五畜词汇形成了一个完整的语义场。而本文旨在实现基于知识图谱蒙汉双语五畜领域的自动问答系统（Mongolian and Chinese Five Livestock Question and Answer,MCFLQA）,具体的研究内容如下:（1）获取并处理五畜领域数据集。翻译蒙古文数据,形成蒙汉双语结构化数据,方便高效抽取实体、关系、属性。（2）构建蒙汉双语五畜领域知识图谱。通过结构化的方式抽取实体、关系、属性,构建知识图谱,使用图数据库实现可视化。（3）识别问句中的五畜实体。AC多模式匹配算法及文本相似度算法相结合,共同构成五畜实体抽取方法,来支持加速实体识别、问句类型匹配等操作。（4）多分类模型确定查询意图。收集蒙汉双语疑问词,提高句义分析准确率,人工收集1013条问句,用于分类模型的输入。本文分别使用TF-IDF和Embedding特征,建立线性SVM、非线性SVM、Nave Bayes Model、Logistic Regression、Random Forest、XGBoost、LightGBM等分类模型,实验表明,使用Embedding特征建立的线性SVM分类模型分类效果最好,能够通过对问句文本分类判断用户的意图。（5）基于知识图谱实现蒙汉双语自动问答。通过问句理解、语义匹配和答案检索等操作实现问答系统,并随机抽取五种类别的蒙汉双语问答对各300条来测试系统性能,平均正确率为89.2%,为蒙古语五畜知识传播、疾病问答等提供了强有力的平台。