知识图谱作为人工智能的一个分支,在智能问答、专家系统和推荐系统等多个应用场景中提供数据支撑。典型的通用知识图谱有谷歌的Google knowledge graph、DBpedia、百度知心等,在领域知识图谱构建方面,有生命科学领域的Bio2RDF以及医学领域的中医药知识图谱等。在植物领域,北京林业大学构建了植物知识图谱,但是在数据源和构建规模方面尚不够丰富,不能很好地服务于知识图谱应用。本文针对植物知识的多样性以及植物知识图谱构建规模有限无法满足语义检索的要求的问题,研究从多个专业植物知识数据源系统化构建植物知识图谱PlantKG,从知识图谱的构建方法、命名实体识别、知识融合和基于知识图谱的知识问答等方面展开工作。主要研究工作如下:（1）植物知识图谱构建方法研究。根据植物知识的结构构建了PlantKG的概念层,然后从中国植物志、植物网、互动百科和维基百科网站的结构化、半结构化和非结构化数据中通过爬虫和深度学习方法抽取植物知识构建了PlantKG的实例层。将概念层的体系结构导入图数据库Neo4j中,然后将实例层的数据映射到概念层构建了植物知识图谱PlantKG。（2）融合注意力机制的BERT+BiLSTM+CRF药用植物文本疾病命名实体识别模型的研究。在非结构化数据中获取植物知识方面,针对药用植物文本存在长序列语义稀疏的问题,提出了一种基于BERT+BiLSTM+ATT+CRF模型的BAC方法;通过对药用植物文本进行预处理和半自动化标注构建了实验数据集。实验结果表明,BAC方法的疾病命名实体识别效果较传统方法更优。利用训练好的模型从药用植物文本中抽取出疾病实体并与植物名称匹配得到三元组数据。（3）植物知识融合以及知识问答的研究。利用Limes框架和设定融合规则的方法对不同来源的植物知识进行融合,并对融合后的植物知识存储于图数据库Neo4j。构建的PlantKG规模有7.4万多个实体,64.1万多条实体关系和属性。基于模板和PlantKG实现的植物知识问答的正确查询结果（至少部分）表明该植物知识图谱是有效的。构建的PlantKG已共享于Git Hub1,它可以直接为用户提供药用植物等相关知识的知识检索,也可以融合更多植物领域知识,为植物领域的知识检索、知识推理等应用提供更好的知识服务。