近年来,随着我国居民消费水平的提升以及人口老龄化进程的加快,糖尿病患者数量大幅度攀升,且发病群体年轻化趋势明显。据调查显示,糖尿病的有效防治手段包括糖尿病知识教育、自我血糖监测、健康饮食等,而“互联网+”医学教育科普服务多年来积淀了大量的数字化诊疗信息。因此,研究如何利用互联网帮助用户简单有效地获取糖尿病防治知识是本文研究的重点。通过传统的搜索引擎查询知识,用户得到的是冗余的数据,难以快速精准地获取到知识。问答系统对用户问句进行语义解析,可以实现根据用户的意图反馈答案,知识图谱则可以实现大规模数据的整合,可利用查询语句从中查询有效数据。因此,本文研究并实现了基于知识图谱的糖尿病问答系统,并采用基于深度学习的命名实体识别模型增强系统问句解析能力,经测试,该系统可快捷、准确地为用户解答糖尿病防治知识,同时也响应了国家智慧医疗的政策。本文主要研究内容如下:（1）构建糖尿病领域的知识图谱。基于Python的网络爬虫技术,从“寻医问药”等医疗网站爬取糖尿病相关信息,并对数据进行清洗处理与知识抽取。为提升知识图谱的质量以及知识表达能力,将知识抽取后的数据与Dia KG知识图谱数据集进行多数据源知识融合,完成糖尿病领域知识图谱的构建与持久化。（2）研究命名实体识别算法。首先从糖尿病中文社区收集医疗问答数据集作为命名实体识别的自建语料集,并对数据集进行分词和实体标注,然后研究并构建了基于BERT+Bi LSTM+CRF的命名实体识别模型,在CCKS-2017数据集和自建数据集上分别进行了实验并做了结果比对,验证了该模型相较于其他模型而言,识别效果提升明显。（3）构建完整的糖尿病问答系统。基于上述研究成果,通过基于模板匹配与基于语义分析相结合的方式实现问答系统,具体实现流程包括:中文分词、问题分类、问句实体识别、句法依赖分析、查询语句构建与知识检索。已构建好的糖尿病知识图谱作为问答系统的数据源,利用Flask框架和D3.js工具对系统进行包装,通过浏览器访问的方式请求服务,最终实现自动问答功能和知识图谱可视化功能。本文通过以上工作,首先完成一个高质量的糖尿病知识图谱,接着采用深度学习技术改进问答任务中系统对用户问句的语义解析能力,最终实现一个能够切实方便的解决用户问诊需求的糖尿病问答系统。