自从语义网的概念提出以来,越来越多的开放链接数据和用户生成内容被发布于互联网中,这使得Web数据呈现出结构松散化、内容碎片化、语义复杂化等特征,已不能满足人们对信息快速、准确定位的需求。在结构化、半结构化、非结构化的Web数据规模呈指数型增长的环境下,知识图谱为信息的高效处理提供了智能化的解决方案。知识图谱在实体层面对本体进行了丰富和扩充,因而可被用于描述现实世界的实体及它们之间的语义关系,有助于人与机器更好的进行信息理解与交互操作,同时为人工智能技术的发展提供了重要的数据支撑。然而,除去Web数据规模的增长,Web数据的高速动态化也给知识图谱的更新带来了严峻挑战。例如,在知识图谱规模的扩张过程中,只能使用显式关系将结构化的知识以网络的形式进行组织,使得知识图谱实体间的潜在关系未得到充分挖掘。同时,知识图谱更新明显滞后于Web数据变化速度,使语义搜索的准确度、时效性受到了影响。本文在学习与分析知识图谱补全相关理论技术的基础上,从知识表示学习、知识图谱推理角度开展研究,旨在优化语义搜索系统的性能,提供高效、快速、准确的查询服务。第一,提出一种基于知识图谱语义张量的知识表示学习算法,以“Rescal张量分解”为核心思想,结合使用知识图谱采样技术、主成分分析技术,通过矩阵学习、向量映射、数据降维进行实体知识间关系的链接预测,提高了实体间多元关系预测效率。第二,提出一种基于贝叶斯推理的知识图谱补全方法,使用贝叶斯概率推理理论与RDF蕴含推理规则,联合推理实体节点间的潜在关系,对新增节点与原节点间的关系进行预测,提升了模型潜在因素的挖掘效率及未知关系预测的准确率。第三,设计一种基于领域本体的知识图谱构建方案,通过知识采集、实体关系建立等七个步骤构建了一个图书信息领域知识图谱。第四,以理论研究为基础,设计并实现了一个基于知识图谱学习与推理的原型系统,完成图书领域知识图谱的信息查询及关联信息推送。基于上述研究工作,本文针对多源异质及高度动态化的Web数据对知识图谱构建、更新、补全带来的负面影响,提出一种更加高效、准确的知识图谱学习与推理方法,以便更好地服务于知识检索、优化查询流程、提升用户体验。随着知识图谱技术的不断发展,未来知识图谱学习与推理技术可与机器深度学习、云计算、区块链、大数据、生物基因工程等新领域进行技术融合,发挥重要的社会价值。