近年来涌现了一批覆盖领域范围广、数据规模大的公开知识库,如YAGO、Freebase、DBpedia、Google Knowledge Graph等,也促使基于开放领域知识库的问答研究成为了非常火热的一个研究方向。其中,结合深度学习方法的知识库问答技术研究日益流行,并且在性能表现上展现出了良好的前景。借鉴现有的主流方法将知识库问答看作一个流水线上的多个任务模块的思想,将其分为主语检测,实体链接和关系检测三个模块并逐一解决。针对上游模型的错误传播对下游模型的性能影响问题,将主语检测任务看作专用序列标注模型,采用先进的语言模型方法,利用上下文字符串语言模型生成词嵌入使得其具有语义语境化能力,增强上游模型性能。为提高主语实体的召回率,设计了两种候选池策略,并从表面文本级和上下文语义级对候选主语实体集合进行修剪,改善了实体链接结果的质量。为了弥补修剪步骤的不足,通过联合关系检测模型对候选主语实体集合进行再次筛选,进一步提升问答总体准确率。为了在关系检测模型中捕获上下文更深层的语义特征,设计了多层残差思想双向长短时记忆网络编码器,与多粒度关系进行四种模式的匹配,达到从局部信息和全局信息上进行更全面的匹配效果。实验部分与现有的相关代表性方法进行对比,选择Freebase作为知识库事实来源,在流行数据集SimpleQuestions上进行实验。结果展示出了本文方法与最先进方法在各个任务模块性能上的强有力竞争效果。