近年来,将大数据、人工智能等最新科学技术广泛应用于教育行业的发展趋势日益明显,以往传统的以教师授课、学生汲取为主要学习方式的传统知识传播模式正在向着AI教育模式快速演变。然而,海量教育数据的不断增加,产生了数据无法被有效的组织与管理、利用与共享、搜索与理解的问题,这严重阻碍了 AI教育发展的步伐。因此,本文针对该问题,提出了将知识图谱应用于AI教育领域,构建了一套从底层数据采集,到学科知识图谱构建与融合的方法,并且将其应用于高层智能知识搜索和问答应用,从而为教育信息化发展进行了实践性探索。最后,对论文中所提出的方法进行了实验验证,结果表明了其方法的有效性。本文的主要研究工作有三点:（1）本文针对AI教育领域,通过对通用知识图谱构建技术的研究,结合学科知识的层次性、前后先学关系的特性,提出了学科知识图谱构建的总体框架结构。其包括:学科领域内实体和实体间关系的抽取、学科本体构建两个方面。首先,本文利用实体识别工具识别实体,以及为了减少人手工标注,达到更为有效的抽取实体间的关系,提出了CNN+Attention的远程监督关系抽取模型。此外,为了构建本体,指导学科知识图谱的构建,本文提出了利用关键词抽取方法获取学科概念集,以及利用本文提出的实例填充算法将抽取出的学科知识连接到本体中,完成了学科知识图谱的构建工作。（2）为了构建更为准确的学科知识图谱,本文提出了学科知识图谱融合的总体框架,其包括数据预处理、相似性计算、知识融合三个部分。首先,本文对知识子图进行约简处理,去除冗余数据;此外,本文提出了知识子图的相似性计算方法,用于计算两个知识子图的相似度;最终,本文利用提出的矩阵融合算法,结合学科知识子图的结构信息实现了学科知识图谱的融合。（3）本文将构建好的知识图谱进行应用,构建了一套基于学科知识图谱的知识搜索、知识问答系统,实现了 AI教育知识图谱的高层应用。综合实验结果表明,与通用知识图谱的构建方法相比,本文所提出的一系列方法在构建效率、准确性等方面具有良好的表现,充分证明了本文提出的构建方法能够实现高效、快速地构建学科领域内的知识图谱。本文研究成果为教育知识大数据的管理与应用提供了借鉴,以期推动AI教育领域的进步。