随着本体知识库构建方面的研究不断增多,人们所构建出来的领域本体也逐渐拓展到多个领域。但是,由于本体自身的专业性强、领域特点显著、构建周期相对较长,使得本体的构建成为一项高智力的劳动密集型工作,本体构建过程中对领域知识背景要求非常高,且构建自动化程度难以提高,本体领域实例构建与维护也严重依赖人的智力劳动,因此,其质量和效率都很难保证。本文对已有的本体构建方法与技术进行了深入研究后,通过本体重构实现水稻本体概念构建,设计了本体实例构建框架,并实现了基于多层神经网络深度学习方法的水稻本体实例半自动抽取,为领域本体实例的半自动构建提供了有益的尝试,且为半自动化本体知识库构建提供了新的方法和思路。具体研究内容主要如下:1.本体知识库构建研究,从本体概念层与实例层两方面展开论述;2.命名实体抽取方法研究,在大数据环境下,面对海量数据、内容复杂多样、知识专业性强的语言环境下,对基于神经网络的命名实体抽取方法进行深入研究,通过实证研究来验证该方法的可操作性和有效性。3.提出神经网络本体实例抽取方法,利用基于深度学习的命名实体抽取方法实现水稻实体名称抽取,并与专家的工作结果进行对照实证研究。通过收集水稻领域科技英文文献,构建语料库;利用基于神经网络的机器学习方法进行水稻品种名称的半自动化抽取,并结合人工辅助识别与验证,实现了水稻本体实例构建(水稻本体知识库包括2326条概念,109个关系,23个概念属性和527个水稻实例)。