问答系统是近年来自然语言处理、信息检索等领域研究的热点。相对于传统搜索引擎只能得到繁琐且模糊的信息,问答系统可以返回给用户更加精准的答案。知识图谱可以将碎片化的知识通过三元组的方式组织起来,建立数据间的联系,形成网络,更有利于信息的搜索、挖掘和分析,因此基于知识图谱的问答系统（Knowledge Based Question Answering,KBQA）成为越来越多人的研究对象。但是目前对于KBQA的研究也存在一些难点:一方面,当前的问答方法难以有效实现涉及多实体的复杂问句的问答;另一方面,传统的问答方法在属性映射上的准确率还不高。对于问答系统的研究可以分为开放域问答系统和限定域问答系统。限定域问答系统由于其领域范围小,特征明显,算法精准度更高,因而更易投入使用,对提高专业领域的智能化服务水平具有重要的意义。本文选取了高考咨询领域进行问答系统研究,因为我国高考人数众多,在报考志愿时对于信息查询有着巨大的需求。传统的信息查询方式是上网搜索、书籍查询、人工咨询等,耗时耗力,如果能够建立一个囊括所有学校相关信息的问答系统,快速准确的返回需要的答案,那么就可以弥补目前在报考学校时信息难以查找的不足。本文面向高考咨询领域开展对于基于知识图谱的限定域问答系统关键技术的研究,主要内容如下:第一,设计了在KBQA领域的问句分类体系的构建方法以及对应的分类方法,首先根据爬取的问句设计了高校信息知识图谱的数据模式,然后将问句分类体系的划分与知识图谱的数据模式相结合,根据数据模式中的实体和属性将问句类别划分为大小类,并分两步进行问句分类。第二,提出了BERT-Bi LSTM模型来提升相似度的计算精度,既有利用BERT（Bidirectional Encoder Representations from Transformers）结合上下文动态生成词向量的优势,又利用了双向长短时记忆网络（Bi-directional Long Short Term Memory network,Bi LSTM）进一步捕捉句子信息,用以提高相似度计算的准确率,将此模型用于问句分类和问答过程中。第三,研究了针对复杂问句的问答方法,提出了一个改进的基于语义解析的问答模型,通过添加约束生成查询图,然后将查询图自动转换成Neo4j查询语句,再到数据库中检索得到答案。第四,通过自顶向下的方式构建了高校信息知识图谱,根据问句分类阶段设计好的数据模式从多个网站爬取高校信息、整理格式后导入到Neo4j数据库,然后在此知识图谱的基础上实现了基于语义解析的高考咨询问答系统。