目前,已有搜索引擎借助大数据和人工智能等技术,能够根据人们的搜索需求在互联网海量数据中快速定位到所需信息,以满足人们日常信息检索需求。然而,搜索引擎返回结果通常是与查询相关的文档链接,无法根据查询问题直接返回答案,尤其是面对知识型问题时。为此,本文在已有知识图谱、自然语言处理和深度学习等技术的基础之上,研究开放领域知识图谱问答系统的构建方法,目的是使系统能够根据用户提出的百科类知识问题,直接返回简短明确的答案。本文主要贡献如下:1、提出一种基于指称识别和实体链接的实体预测模型,用于识别问句中的候选实体。针对指称识别,提出BERT-Bi LSTM-CRF（BBC）序列标注和Elastic Search（ES）精确检索方法。BBC序列标注是通过BERT、双向长短期记忆网络（Bi LSTM）学习问句的隐藏语义特征,利用条件随机场（CRF）预测问句的标签序列,并从中识别得到候选指称。ES精确检索是将问句进行分词,将筛选后的词语在ES数据库中精确匹配到对应的候选指称。针对实体链接,提出特征计算和特征排序方法,用于将候选指称链接到知识图谱上,得到与之相关的候选实体。特征计算是学习问句与实体之间的语义特征和统计特征,语义特征包括问句与实体信息间的语义相似度,统计特征包括指称重要度、实体流行度和字符匹配度。特征排序是利用逻辑回归（LR）算法对实体特征建模,排序后得到候选实体。实验结果表明,指称识别综合召回率为0.961,实体链接Top-5、Top-3、Top-1预测准确率分别为0.846、0.834、0.815,为兼顾考虑问答准确率和计算效率,最终选择Top-3预测实体作为问句的候选实体。2、提出一种基于语义相似度和表示学习的关系预测模型,用于识别问句中的候选关系。语义相似度是利用多级排序（Word2Vec、BERT）算法计算问句与关系间的语义相似度,通过LR排序后得到候选关系。表示学习是利用BERT问句编码和Rotat E知识图谱编码模型来学习问句和关系间的图谱信息,通过评分函数排序后得到候选关系。实验结果表明,语义相似度模型要优于表示学习模型,Top-1关系预测准确率分别为0.792和0.774,因此最终选择语义相似度模型来预测问句的候选关系。