传统面向知识图谱的问答主要集中于“如何从知识图谱中获取简单问题答案”的研究。这些研究虽然保证了问答的准确率,并被应用到各种问答系统中,但是存在着以下问题:1)难以回答具有复杂逻辑的问题,并且答案缺乏可解释性。2)无法回答在知识图谱中不存在的答案。针对以上两个问题,本文研究并设计了基于知识图谱的推理问答方法,主要包括以下两方面的研究内容。（1）基于知识图谱的多跳推理问答方法。该方法以“用户问题中蕴含多层逻辑关系”为研究前提,通过设计推理网络来克服传统知识图谱问答方法回答复杂逻辑问题准确率低且缺乏解释性的问题。该方法以知识图谱嵌入技术、EncoderDecoder框架、Attention机制为基础,构建了一个end-to-end的多跳推理网络模型。其中,end-to-end网络架构可以保证知识图谱中信息与问题的语义一致性;EncoderDecoder框架中,Encoder部分利用预训练语言模型和Attention机制生成可代表该问题中多层逻辑关系的语义向量,Decoder部分利用知识图谱嵌入技术得到的实体向量和多层逻辑语义向量生成问题所对应的关系路径;最后利用实体向量和语义向量对知识图谱中的实体评分,作为答案选择的依据。（2）基于知识图谱的因果推理问答方法。针对现有知识图谱问答方法不能为问题提供知识图谱中不存在的节点作为答案的现状,本文重点研究了“利用知识图谱中问题目标的相关信息来生成答案”的问题,提出一种流水线形式的知识图谱因果推理问答方法。该方法由问句分析模块、因果推理模块、答案预测模块组成。问句分析模块应用图神经网络和条件随机场等方法从问题中提取待求关系及目标实体,以此作为从知识图谱中抽取相关信息的依据;因果推理模块以知识图谱中的相关信息为基础估计每条信息的倾向分数和条件期望;答案预测模块利用每条信息的倾向分数和条件期望计算问题中待求关系的因果效应,并在目标实体的基础上预测问题的答案。通过在“多跳推理数据集”上进行实验,证明了基于知识图谱的多跳推理问答方法与其它相关算法VRN和KVMem相比,在正确率和解释性方面具有更好的效果;通过在“因果推理数据集”上进行实验,证明了基于知识图谱的因果推理问答方法的有效性,为知识图谱中不存在问题答案的情况提供了一种解决方法。