智能问答旨在通过对自然语言问句进行深层分析,使得计算机能够智能选择精准的答案。近年来知识图谱和深度学习的技术都在飞速发展,使用深度学习模型能够更有效地理解问题语义信息,而存储大规模结构化客观事实的知识图谱能够为用户提供更精确的知识。针对通常只含有单一实体和关系的简单问题,为了更好地理解问题语义并利用知识图谱中的结构化知识完成智能问答,本文基于预训练语言模型BERT和知识图谱嵌入设计了一种端到端的智能问答方法并实现了一个知识图谱智能问答系统,使用户能够精确地获取知识。本文的主要工作如下:（1）本文提出了一种基于预训练语言模型的头部实体检测模型。针对知识图谱问答中的关键问题——问句实体检测,本文引入预训练语言模型BERT及其变种模型,对其编码器多层输出进行融合,从而更好地提取自然语言问句的文本特征得到问句表示,并有效地改善了未登陆词问题和一词多义问题。同时还在模型结构中加入Bi GRU网络和注意力机制获得更深层次的文本特征,有效地提升了头部实体检测的精确率。模型在Simple Questions和NLPCC-2016-KBQA数据集上F1值分别取得了98.67%和98.91%。（2）将知识图谱中结构化知识融合到深度神经网络模型,并针对关系在不同问句中存在多种表达难以识别的问题,本文提出基于知识图谱嵌入的端到端问答方法。不同于传统字词向量只保存单词的语义表示,知识图谱嵌入中保存有知识结构信息。通过深度神经网络训练将知识图谱嵌入表示和自然语言问句嵌入表示联系在一起,并通过精心设计的联合距离公式完成答案选择。该方法在Simple Questions和NLPCC-2016-KBQA数据集上表现出优异的性能。（3）基于本文提出的知识图谱问答方法实现智能问答系统。系统具有良好的前后端设计,能够实时回答用户问题并可视化展示结果,提高用户精确获取知识的效率。