在农业机械化领域中,农户在生产过程中主要遇到两大类问题,即技术问题和政策问题,技术方面的问题与农户所种的作物和使用的农机息息相关,政策方面农户最关心农机购置补贴政策。论文在技术方面选取油菜机播技术,在政策方面选取农机购置补贴政策,结合知识图谱与深度学习技术构建智能问答系统,该系统相比传统农户获取信息的方式具有高效、便捷、针对性强等优势。本文的主要研究工作如下:（1）油菜机播和农机购置补贴知识图谱构建。目前在农业领域中,还没有公开的油菜机械化播种与农机购置补贴相关的知识图谱。本文主要根据采集整理网络中搜索频率较高同时也是农户在实际操作中较关心的油菜机械化播种与农机购置补贴相关问题,有针对性的整理油菜机械化播种相关的文献、网站、著作和政府部门发布的统计数据作为油菜机械化播种数据源,通过政府部门公开的湖北省农户农机购置相关数据和全国各省市政府部门发布的农机购置补贴相关政策性文件作为农机购置补贴数据源。通过对不同来源数据的整理,划分实体,设计实体之间关系等操作,将获取到的数据以三元组的形式进行存储,构建能够用于自动问答的油菜机播和农机购置补贴知识图谱。（2）基于油菜机播和农机购置补贴的问句分类算法研究。不同的分类方法在实际的分类任务中各有特点,应根据具体的分类任务,在保证分类效率、准确性与算法复杂度的基础上选取与之相匹配的最优分类算法。在本文构建的油菜机播问题模板中,问句与问句之间的特征较为明显,朴素贝叶斯算法的计算逻辑较为简单且没有复杂的矩阵计算,针对此类问句分类具有明显的优势,故选取朴素贝叶斯算法对本文构建的油菜机播用户语句进行分类,通过词频-逆文件频率（TF-IDF）算法提取油菜机播特征词,并将其转换为文本特征向量,生成的文本特征向量输入到朴素贝叶斯分类器中,经过训练得到基于朴素贝叶斯算法的油菜机播问句分类模型,用来对油菜机播相关问句进行分类;本文设计的农机购置补贴问题查询模板中,问句之间的相关特征较少,需要采用深度学习技术对农机购置补贴语句进行深层次的解析,又针对Word2vec词向量模型无法准确的表达同一个词在不同语句中表达意思的局限性,BERT算法能够根据不同的语义环境,结合当前语义信息的特征获取词向量,故在本文构建的农机购置补贴问句分类过程中统一采用BERT来训练词向量,并基于BERT算法对农机购置补贴问句进行分类。（3）基于双向长短期记忆网络与条件随机场相结合（Bi LSTM-CRF）的实体识别算法研究。与长短期记忆网络（LSTM）相比,双向长短期记忆网络（Bi LSTM）增加了从句子反方向计算的过程,可以充分运用到序列的下文信息,最终将计算出的正反方向值输出到输出层,这样,序列中的所有信息都是双向获得的。条件随机场（CRF）能够分离Bi LSTM输出层相关性,在结合上下文相关性的前提下去预测标签,这与实体识别任务相辅相承。本文针对油菜机播和农机购置补贴数据集,分别运用LSTM,Bi LSTM和Bi LSTM-CRF实体识别算法模型进行对比,这三种模型对油菜机播的实体识别平均F1值分别为87.18%,89.35%和91.91%,对农机购置补贴的实体识别平均F1值分别为87.69%,90.40%和92.31%,结果表明相比于LSTM与Bi LSTM实体识别模型,Bi LSTM-CRF实体识别算法模型具有明显的优势。然后在使用Bi LSTM-CRF实体识别算法模型的基础上,验证Word2vec与BERT词向量算法对实体识别算法的影响,结果表明在构建的Bi LSTM-CRF实体识别算法模型的基础上结合BERT词向量模型能取得更好的效果。（4）油菜机播和农机购置补贴问答系统设计与实现。本文运用朴素贝叶斯算法结合Bi LSTM-CRF的方法构建了油菜机播问答系统,BERT算法结合Bi LSTM-CRF的方法构建了农机购置补贴问答系统,并设计了语音输入功能,在实际应用过程中表现良好,能够针对用户油菜机播与农机购置补贴相关问句进行准确回答,满足了用户对油菜机播与农机购置补贴信息获取的需求。最后对构建的油菜机播与农机购置补贴问答系统前端可视化交互页面进行展示。