问答系统在数字化时代具有重要实际应用价值,基于知识库的问答方法具有更高效和更准确的优点。现有的知识库问答方法更多地通过深度学习来展开。但是,在研究过程中发现现有的知识库问答方法存在一些问题,如难以捕获问题的全局信息、模型在训练和预测时的输出存在不一致性、现有的主题实体检测模型识别准确率有待提高等。为此,本文的主要研究工作如下:（1）针对知识库问答模型使用Bi LSTM对问题全局特征捕获不足的问题以及模型在训练和预测时的输出存在差异性的问题,本文在基线模型BAMnet的基础上,提出基于Transformer和R-dropout的改进模型TRBAM,在问题特征提取层使用Bi LSTM和Transformer分别对问题进行特征提取,将提取的两种问题特征进行融合得到新的问题表示,使模型能够更加充分地捕获问题中的语义信息;利用Rdropout的思想,对模型在训练和预测时的不一致性进行约束,提高模型的性能。（2）针对现有的主题实体检测模型对最佳主题实体的识别准确率有待提高的问题。本文在主题实体检测模型entnet的基础上使用R-dropout对其进行改进,计算模型输出的K-L散度,对模型进行二次正则化,提高模型对最佳主题实体的识别准确率。（3）本文使用Freebase作为知识库,在主流英文数据集Web Questions上进行实验。实验结果表明,本文提出的知识库问答模型TRBAM在已知问题主题实体的条件下,相比基线模型的实验效果在主要评价指标F1值上具有提升;改进的entnet模型对最佳主题实体的识别准确率相比原模型具有提升;TRBAM模型在使用改进的entnet模型作为问题的主题实体检测器的条件下,在F1值上取得的结果与BAMnet方法以及一些其他方法相比具有一定优势,说明本文整体方法的有效性。本文基于对知识库问答模型的研究,设计并实现基于Web的知识库问答系统,该系统可以与用户进行交互,实现对用户输入的问题进行回答。