近年来,基于自然语言的问答系统吸引了人工智能及其相关产业的关注,成为人机交互的新趋势。相比于传统的搜索引擎获取知识的方式,智能问答系统更加友好,自然语言交互的方式更符合人的习惯。随着知识图谱的快速发展,知识图谱已经被广泛引用到各大领域中,可作为问答系统一个高质量的数据源,对问答系统在各领域的应用起到了推进作用。基于知识图谱的问答系统(Question Answering System based on Knowledge Graphs,KGQA)需要解决两个关键点:问题的理解、问题到知识图谱的语义关联。问题的理解从问题出发,对问题进行解析,表示成计算机可以理解的形式,而语义关联指的是将问题的表示转化为知识图谱上的查询语句。以现有的飞行器关系型数据库和网页数据构建知识图谱,然后用基于模板的方法实现了基于知识图谱的问答系统。用基于朴素贝叶斯分类器的方法进行问题理解,理解询问的实体、属性或关系,生成结构化的查询语句从知识图谱找到答案。针对问题理解,又尝试了两种改进算法:使用doc2vec模型将问句转为分布式表示进行问题理解;训练词向量word2vec模型,用文本分类网络TextCNN进行问题理解。根据实验测试,基于word2vec和TextCNN的方法取得了较好的效果,在手工标注的测试集上取得了94.2%的精确率。结果表明,使用word2vec和TextCNN算法,较好地学习了词以及句子的语义特征,根据语义特征进行问题理解的方法取得了较好的问答性能。实现的飞行器知识图谱问答系统可以满足飞行器信息检索的需求,具有一定的科研价值和社会意义。