近年来,由于网络的发达,知识总量的增加,人们获取到的有用信息却少之又少。常见的搜索引擎使得很多用户不能及时的从网络上获取到有用信息,同时存在噪声数据过多和信息重复等问题,针对此类问题,问答系统应运而生。一方面,问答系统可以从大量的信息中提取到用户需要的有效信息。另一方面,随着医药数字化时代的来临,网络上也出现了多样化且可利用的医药信息,因此,人们对医药信息与问答系统的结合愈发重视,而伴随着知识图谱的迅猛发展,问答系统也不再拘泥于早期的形式,可以引入改进的相关算法和模型以此提升问答系统。本文采用互联网的数据集和中文知识图谱DBpedia部分数据集进行医药问答系统的设计,对候选实体评分排序和知识表示学习的相关模型进行研究并做出相应的改进,对问句相似度的计算提出混合式加权计算方法,并在公开数据集上进行实验验证,在此基础上,设计了医药问答系统。本文的研究内容主要包含以下几个方面:（1）在实体检索模块中,由于问句之间的相似度存在差异,需要考虑到各个特征对问句相似度计算的影响程度,本文引入混合式问句相似度计算,改进单词顺序相似度和编辑距离,并将各个特征的影响程度赋予不同的权重,对各个特征进行加权运算,对加权的特征值进行累加求和,得到最终的问句相似度,混合式问句相似度计算相比于传统的问句相似度计算方法准确率更高。（2）在候选实体排序任务中,知识图谱自带的实体链接工具对候选实体返回的结果是无序列表,为了改善这一现象,本文提出改进的多维评分机制MR-Rank算法对实体评分并从高到低排序,该算法基于实体的语义相似度、单词相似度和上下文相似度,可以有效减少无序实体产生的冗余。（3）为了解决TransE方法无法区分相似性极高的实体和无法处理复杂关系的问题,本文提出一种基于TransE方法的改进知识表示模型TransMR,引入用户输入的问句实体信息和单层神经网络模型,以此来提高区分相似度极高的实体表示和处理实体之间的复杂关系,实验证明本文的方法相比于传统的方法有所提升。本文采用互联网的医药网站获取部分数据集和DBpedia部分数据集并结合上述算法和TransMR模型实现了医药问答系统。