任务型问答系统目前在智能客服领域有着较为广泛的应用,例如电商助手、售后回访、电话推销等任务均可以使用问答系统来代替人类,以达到降低人工成本的目的。但在实际应用中,由于自然语言本身所具有的模糊性,很多问答系统中的信息抽取部分的准确度并不是十分理想,直接降低了问答系统的用户体验。而且目前大多数问答系统都是基于FAQ文档检索的模式所构建的,灵活性较差。针对以上两点局限性,本文搭建了一个基于知识图谱与预训练模型的任务型问答系统,并着重对其中的自然语言信息抽取部分以及语义匹配算法进行了研究与实现。本文的主要内容如下所示:（1）针对FAQ文档检索问答系统灵活性较差的问题,本文使用基于知识图谱的架构来提升问答系统中知识存储与查询的自由度,并在此基础上对知识图谱的架构进行改进,使其能更好的处理出现频率较低的问题。（2）针对目前问答系统中信息抽取的局限性,本文构建了一种融合了人工特征的管道式实体关系抽取模型,提升了管道式抽取方式的准确度,并且相较于联合抽取模型有着更好的鲁棒性。（3）针对本系统中答案的特殊形式,本文设计了一种基于预训练模型的交互式文本匹配算法来对候选答案进行排序,并在此基础上融合了实体关系信息,提升了答案排序算法的精确度。（4）基于以上内容,本文搭建了基于知识图谱与预训练模型的深度学习问答系统,完善了各个功能模块。该系统可以在限定域的条件下对用户问题进行灵活回应,兼具准确性以及鲁棒性,体现了以上几点研究在现实中的应用价值。