近年来,随着人工智能的高速发展,传统的搜索引擎已经越来越难以满足人们的搜索要求。相比搜索引擎依靠的关键字匹配,智能问答系统融合了自然语言知识和应用,可以更好地满足用户的搜索需求。在众多问答系统中,知识库问答具有逻辑性强等优势,是目前最热门的智能问答系统。在目前的知识库问答系统中,不包含在词库中的单词被称为未登录词,因系统无法获取未登录词的语义信息所以通常使用随机向量表示,因此当系统中的未登录词达到一定比例时就会产生信息缺失的问题,会严重影响问答系统的准确率。本论文针对知识库问答系统中的未登录词问题,提出一种可以改善问答系统中未登录词不良影响的方法,实现了对问答系统中的未登录词的检测与处理,涉及的关键技术包括词向量、动态规划以及流形排序等,主要工作与贡献如下:（1）提出一种基于动态规划算法的分词方法。首先利用维基百科语料,基于奇夫定律构建代价词典,然后结合动态规划算法,实现对输入的单词进行分词。该方法降低了知识库问答系统中百分之九十以上的未登录词数量,有效缓解了信息缺失问题。（2）提出一种基于流形排序的排序方法,在多个未登录词子词中选取重要度最高的子词,为其找到替代表达。首先通过流形排序算法对多个未登录词子词进行迭代,获得一个重要度排序,然后确定使用重要度最高的子词向量来表达该未登录词。该方法使得最优子词的向量与其原向量的相似度相当高,为未登录词找到接近最佳的替代表达字词。（3）将所提出的未登录词处理方法融合到Bi-LSTM网络模型中,实现了基于知识库freebase的知识库问答系统,展现了相应的实验结果并进行分析。该系统弥补了之前系统中大量未登录词过多导致的信息缺失问题,并通过实验验证了模型对未登录词的改进能力与生成答案的准确性,验证了所提出的问答模型的有效性,特别是在多关系数据集上,得到了7%以上的准确率提升。