随着语义网的大量普及,网络上也出现了越来越多的结构化数据,以资源描述框架（RDF）格式为首的存储数据也在大量的开放领域和特定领域发挥着巨大作用,使得互联网上的普通用户对于这部分数据的需求也在增加。但是普通用户由于不了解这种结构化知识的特点,直接访问这些结构化知识相对困难,针对该方面问题,很多传统的基于知识库的问答系统被提出,这种问答系统比传统的搜索引擎更加智能,可以直接理解普通用户提出的搜索需求。以中文医疗领域为研究背景,以深度学习为技术基础,本文提出并实现了一个基于深度学习的中文医疗问答系统（CMQA）。对于CMQA系统,理解用户提出的中文问句并转换为结构化查询语句是系统的第一步,也是整个问答系统的一大难点。为了解决该问题,提出了基于序列到序列模型（Seq2Seq）的自动生成方法与基于信息抽取的生成方法;前者主要解决包含多语义关系的问句理解,由三个主要组件构成,分别为生成器、学习器和解释器。生成器的作用就是生成实验所需的数据集,具体为利用提前手工编写的专门针对医疗知识库中13种关系或属性的查询模板以及中文医疗知识库疾病分类下的疾病实体生成实验所需的数据集;学习器的作用是从训练数据集中学习中文自然语言问句到SPARQL查询语句的转换规则;解释器为利用学习器所学到的深度学习模型进行自然问句到SPARQL的生成。后者主要解决单一关系问句的理解,主要分两步实现,首先利用基于神经网络的实体识别模型将用户问句中的实体提取出来;然后利用基于支持向量机（SVM）的分类器确定用户问句的类别,该类就表示知识库中对应的关系;针对上述模型,分别进行实验,实验表明提出的模型在数据集上有着不错的性能。最后综合以上方法,实现了CMQA中文医疗问答系统,该系统能够很好地理解用户语义并生成SPARQL查询,证明了本研究有一定的应用价值。