基于知识图谱的问答系统以结构化的数据为支撑,通过对问句进行语义分析识别用户的意图,并在知识图谱中匹配查询或推理获取正确答案,方便用户快速获取信息。但由于大部分知识图谱普遍存在数据缺失、知识不完备的问题,严重影响了智能问答系统的准确性,为此需要捕获图谱内潜在的语义关联,实现缺失数据的补全。面向金融领域,传统的搜索引擎无法快速获取准确答案,用户需要去线下咨询金融相关人员,由于时间和人员的限制导致不能第一时间给予用户解答。因此,本文以金融领域为研究背景,针对知识补全技术存在的问题开展研究,提出融合实体描述与邻域信息的补全方法和开放世界的知识补全方法,实现图谱的精准补全,并基于此补全方法开发一个基于知识表示的金融智能问答系统,实现系统的精准问答,最大化的满足用户需求。本文的主要工作如下:（1）提出一种融合实体描述和邻域信息的补全方法,通过使用图注意力网络聚合邻域信息,捕获每个目标实体邻域的语义特征,将其与实体的文本描述信息特征进行融合,提高了知识的表达能力,进而提升了知识补全的精确度。通过实验对比表明此方法在两个数据集上的评价指标均有一定的提升。（2）对于开放世界的实体,没有邻域信息,无法使用上诉方法进行补全。针对这一问题,本文提出一种开放世界补全方法,利用知识图谱中已有实体的联合表示与初始向量表示训练生成一个转换函数,用于将无法获取邻域信息或文本描述信息的外部实体映射到与编码器相同的联合表示空间。经过实验,该模型在开放世界数据集上MRR、Hits@1、Hits@3、Hits@10等指标均有提高。（3）本文开发了基于知识表示的金融智能问答系统,以金融知识图谱为数据支撑,使用本文设计的基于知识补全的问答方法,实现对金融领域的智能问答。前端页面使用HTML超文本标记语言和bootstrap框架进行整体设计,通过Javascript语言实现与后端的数据交互。后端使用java语言进行开发,采用Springboot框架简化spring开发过程,实现自动配置与相关的逻辑交互。最后,通过对系统的功能和性能进行测试,结果表明该系统能够实现用户的精准问答,最大化的满足用户需求。