近年来,心血管病成为我国疾病负担和居民死亡的首要病因。随着医疗服务的信息化管理和数字化发展,医疗领域积累了大量的自由文本。如何从这些数据中提炼信息,并加以管理及应用,是推进智慧医疗建设的关键问题。本文旨在从心血管临床诊疗文献中自动提炼出有效的辅助诊断信息构建心血管知识图谱,并应用于自动问答系统,为医患提供高效精准的心血管资讯服务。具体内容如下:（1）研究基于多头标注和负采样的非结构化知识抽取。针对中文临床诊疗文献的关系重叠问题,采用多头标注策略,对主流模型TPLinker进行特征改进,并通过负采样与动态权重的方法处理负样本过多的问题。为了提高模型的泛化能力,解决标注语料匮乏问题,从同义扩展、参数共享两个方面对文本数据进行增强。所提方法在心血管临床诊疗文献数据集以及公开的数据集上F1指标（精确率和召回率的调和均值）分别提高了5.73%、2.12%。（2）研究多数据源知识抽取下的实体对齐问题并构建心血管知识图谱。针对多源异构导致的知识重叠、知识碎片化问题,提出基于检索和重排序的实体对齐方法。所提算法在自有数据集及公开数据集上F1指标分别为83.04%、80.52%。最后结合知识抽取、实体映射以及知识存储等模块构建心血管知识图谱。（3）研究基于语义解析的知识图谱问答方法。首先对医疗问答场景下的实体识别进行研究:改进Albert的嵌入层,以混合编码的方式融合字、词信息并利用字匹配的方式实现实体链接。所提方法在自有的问答数据集上F1指标为92.97%,比单纯基于字编码F1指标提高1.81%。接着基于Albert实现关系属性的匹配,并引入对抗训练机制提高模型的鲁棒泛化能力。该方法在自有数据集以及公开数据集上准确率分别提高3.50%、3.21%。最后通过实体识别、关系属性匹配等模块的组合完成自然问句的语义解析。基于上述研究,本文实现了心血管知识图谱的构建并将其应用于自动问答系统中。