近年来,互联网信息呈指数级增长,人们对信息检索的需求日益提高,自动问答系统随之快速发展。在这些系统背后,往往存在着庞大而复杂的图谱形式的知识库(即知识图谱),它以更加直观的方式描述现实世界中的概念、关系。知识库问答通过分析用户输入的自然语言形式问题从知识图谱中查询答案。其中,如何识别问题所对应的知识库中的关系路径,即关系检测任务,是当前的研究难点和热点。现有的关系检测方法往往仅考虑问句和关系的语义信息,关注训练集中已出现的关系,而忽略了词义交互,导致测试集中的一些未出现的关系无法被检测;且现有模型大多局限在两条边以内的关系路径,需要进一步扩展。为此,本文针对关系检测方法展开研究,主要工作和贡献如下:1.本文首先提出了多策略融合的方法,利用词匹配和问句模板匹配对关系综合打分。词匹配方法关注于问题和关系的词级别交互,但其无法记住已出现关系的信息,问句模板匹配方法则弥补这一缺陷,利用训练集中的问句模板和对应关系构建成问答集,将关系检测任务转换成常见的句子匹配任务。2.但分别训练两种模型打分从简单性和有效性上相对于训练单个模型打分较差,因此,本文提出了融合语义和词义匹配的模型,并且分别基于常见词向量和BERT编码提出了两个模型。基于词向量编码的模型利用RNN建模问句和关系的语义表示完成语义匹配,通过构建问句和关系的词义相似度矩阵来完成词义匹配。基于BERT编码的模型利用预训练语言模型本身的丰富信息同时结合注意力机制完成了语义匹配和词义匹配。上述两大类方法可以兼容任意边数的关系检测问题。3.此外,为了全面验证提出的关系检测方法的有效性,本文根据目前的两类主流知识库问答框架实现了两个问答系统:基于信息检索的问答系统和基于语义分析的问答系统。本文最后通过实验充分地证明了关系检测方法的有效性,不仅在关系检测实验中取得了当前最好的效果,且促进了两个问答系统在不同数据集上均取得了不错的结果。