近年来,互联网俨然成为了大众获取医疗健康知识的重要渠道。基于被动式搜索和匹配的传统在线问诊平台,不仅无法满足用户的个性化需求,还返回海量无关的搜索结果,导致用户需要耗费大量的时间和精力逐个甄别筛选。因此,传统在线问诊平台无法满足用户精确获取医疗知识的需求。本文通过融合自然语言处理技术构建了一个医疗领域的知识图谱,为智能问诊平台提供高质量的数据支持。本文研究完成的工作如下:（1）基于依存句法分析构建了用于优化医疗实体抽取过程的DP＿ABILSTM-CRF医疗实体识别模型。在实体抽取基线模型BiLSTM-CRF的基础上,结合依存句法分析,提取语句中的语法结构和依存关系丰富语义特征;并利用注意力机制强化当前实体相关的信息,提高实体抽取精确度。实验结果表明本文的模型改善了医疗实体识别性能,有利于医疗健康领域的实体抽取。（2）在DP＿ABILSTM-CRF模型抽取医疗实体的工作基础上,本文基于双重注意力机制提出了用于抽取医疗实体关系Mutil Att＿BiGRU模型。采用BiGRU网络充分学习语义特征,并通过在字符层与语句层间分别融入注意力机制,以实现关系抽取模型性能的优化和提升。结果表明,本文提出的医疗实体关系抽取模型整体性能得到了加大的提升,适用于医疗领域的关系抽取过程。（3）依托新余钢铁集团有限公司中心医院的病历数据和CCKS系列测评数据,将DP＿ABILSTM-CRF医疗实体抽取模型和Mutil Att＿BiGRU关系抽取方法应用于医疗知识抽取过程,完成医疗实体和关系的抽取工作。在医疗知识的存储方面,对比分析后选用了Neo4j图数据库存储抽取出的医疗知识。最终基于Neo4j数据库成功构建了一个医疗知识图谱,在可视化界面可以通过Cyber语言查询和展示。（4）以构建的医疗知识图谱作为高质量知识源,实现了一个智能问诊平台。基于医疗知识抽取模型和知识图谱相关技术准确解析用户输入、精确进行知识检索,并即时在前端界面反馈结果。平台整体运行状况良好,能精准理解用户输入,实时反馈结果,满足用户获取医疗健康信息的需求。