粮食安全问题是关系国计民生的根本性问题,病虫害、自然灾害等对我国粮食产量有着巨大的影响。在应对这些灾害时,网上与之相关的信息虽然繁多,但是存在内容表达差异以及知识零散等问题,数据存储结构以及表示方式等也各不相同,处于一种相对混乱的状态,人们难以高效地利用好这些信息。近十年里,知识图谱技术发展迅速,其能有效地描述各类事物,以及提高搜索查询的速度与质量,因此利用知识图谱相关技术来整合农业领域相关的数据,能帮助我们更快更好地应对作物生长过程中可能遇到的各类问题。本文构建了农业知识图谱系统,实现了实体识别、关系抽取以及知识图谱中实体和关系的查询等功能。在构建知识图谱的过程中,首先根据《中国农业病虫害》、百度百科以及各类农业相关的数据,构建了农业领域本体。然后采用基于知识蒸馏的Bi LSTM-CRF命名实体识别模型以及PCNN关系抽取模型等方法,对结构化和非结构化的数据进行知识抽取,并将抽取出来的知识存储在neo4j图数据库中,共计13983个实体和26498个关系。在构建知识图谱过程中,往往需要挖掘非结构化的数据,而农业领域现存公开的带标签的数据集稀少,因此针对带标签的数据少的情况,本文提出了一个基于知识蒸馏的迁移学习模型,首先训练一个领域鉴别器,其能够对源域和目标域的数据有一个较为准确的分类,然后通过领域鉴别器选出少量目标域的数据,之后仅使用该部分数据,运用知识蒸馏相关的技术,能提升目标域模型的效果。通过实验结果发现,对于一个领域的数据,我们只需标注不到十分之一的数据,相比只用这部分数据进行训练,通过知识蒸馏后能提高模型的效果,因为领域鉴别器里能选出源域对目标域有效的那部分数据。通过这种方式,在大幅缩减数据标注所耗费的人力物力的情况下,模型能达到一个不错的效果。