在当今时代,互联网飞速发展,数据与信息都在爆炸性的增长,如何有效处理互联网上的数据受到人们的广泛关注。基于此,Google提出知识图谱的概念。知识图谱本质上是一种多关系网络,采用结构化的方式存储了现实世界中的实体与实体之间对应关系的知识系统。知识图谱被广泛应用在智能问答、推荐、信息检索等领域,成为人工智能领域不可或缺的数据支撑,对于推动人工智能的发展有着重要的意义。但受目前信息抽取技术的制约,很多知识图谱都存在着数据缺失的问题,数据缺失也制约了知识图谱的发展与应用。知识推理技术,就是通过知识图谱中已经存在的知识,进行推理预测来得出知识图谱中缺失隐含的知识,是使用计算机自动对知识图谱进行补全的重要方法。本文对基于知识图谱的知识推理技术进行研究,对传统的平移距离模型进行了详细的介绍和分析,并从融合外部信息和进行非线性建模两个角度提出新的知识推理算法,本文的主要研究内容如下:（1）提出融合知识图谱中实体描述信息的知识推理模型KRLEDT。为了获取实体描述信息的全部语义信息,本文使用Doc2Vec模型对实体描述信息进行预训练,获得实体描述信息的句粒度的嵌入表示。然后使用Transformer（Encoder）对句粒度的实体描述信息中的语序信息进行提取,最后结合Trans E模型学习三元组结构信息,使用平移不变性假设进行建模,在势能函数中加入结构信息与实体描述信息的交叉项表示。本文在公开数据集FB15K上进行了实验,在链路预测任务中,KRLEDT模型在Mean Rank与Hits@10指标上各自达到了71和75.3%（Filt.）,在三元组分类任务上,准确率达到88.2%,均优于对比算法。（2）提出基于三元组结构信息,引入非线性建模方式的知识推理模型KRLLSTM。为了提高模型的训练效率,首先使用Trans E模型对实体与关系向量进行预训练,然后将知识图谱中的三元组看作短文本,使用Bi-LSTM对三元组结构信息进行提取,之后使用多层感知机映射得到三元组对应的得分。本文在公开数据集FB15K和WN18上进行了实验,在链路预测任务中,使用Mean Rank与Hits@10指标,KRL-LSTM算法在FB15K上各自达到了48和84.3%（Filt.）,在WN18数据集上各自达到了331和95.1%（Filt.）,在三元组分类任务上,KRL-LSTM算法在FB15K数据集上的准确率达到了91.4%,部分优于对比算法。