随着人工智能和深度学习的兴起,推动统计学习发展的同时,知识图谱也受到了国内外广大学者的关注和研究。目前,知识图谱主要有着智能问答,推理推荐,图嵌入等方向的研究,而这些研究主要被应用在医疗、金融、企业管理以及一些大型的搜索引擎,例如谷歌Google、百度和微软Bing。同时,随着时代的进步,世界各国对科学与技术的投入与日俱增,每年有大量的年轻学者加入到科研的行列,世界范围内被发表的论文也呈指数增长。学者的科研与成长离不开参阅同领域其他学者发表的优秀论文,但是在如此繁多的论文中找到自己最需要的论文无疑是一个难点,也是众多学者的需求点。由作者,论文标题,论文领域,作者所处机构,论文发表会议以及时间等实体所构成的学术领域大数据正日益变得庞大,其信息的高效承载和有效检索也显得日益重要。本文致力于在学术领域构建知识图谱,用于承载其巨大的数据量和复杂的异构关系,然后基于此构建一个应用于学术领域的智能问答系统。首先,在Acemap的1.5亿学者信息数据库之上,构建以作者,论文标题,论文领域,作者所处机构,论文发表会议以及时间为实体名称的内容全面的巨大知识图谱。对于智能问答系统,其通常可以分为两个阶段,即问题语言理解和查询-答案评估。问题理解是将自然语言转换为可以在知识图谱搜索过程中使用的形式,而查询-答案评估旨在结果导向的评估系统的形式和答案。其中,问题语言理解阶段为整个问答系统的关键,它将决定问答系统的整个性能。而现阶段,问题理解的解决方案可以分为三类:语义分析,信息提取和矢量建模。这三种解决方案在一定程度上都有着难以弥补的缺陷,而本文在这一阶段要做的便是集成这三种方案各自的优点,摒弃其缺点,以达到对于给定的自然语言问句,将其转换为可以直接在知识图谱数据库上查询的SPARQL查询语言,利用子图匹配的到查询结果。最后,本文还设计给出了基于知识图谱的智能问答系统实用且用户友好的前端。