医学人工智能的核心目标是实现临床辅助诊疗,进而协助提升临床诊疗能力。由于医学知识图谱具有丰富的领域知识,对临床诊疗往往起到关键作用,因此,知识图谱及其推理应用研究在医学人工智能中具有重要地位。中医临床诊疗过程是一个演绎推理的过程,因此基于知识图谱进行辅助诊疗至关重要。而这一研究存在如下几方面问题:（1）知识图谱的构建是一个系统工程,现有的医学知识图谱还有待不断扩展,存在不完整性问题;（2）在辅助诊疗过程中,医学知识图谱的应用往往缺少理论知识与临床案例的关联;（3）现有的辅助诊疗系统大多基于数据挖掘的方法,从大量的原始病例中挖掘隐含的知识,不能有效的利用中医书籍中的理论知识,从而不能从根本上理解看病的过程和实际内涵。为解决以上问题,本文从以下三个方面开展研究工作:（1）针对医学知识图谱不完整的问题,提出了基于门控张量分解的知识图谱补全方法Gate TD,用于医学知识图谱的补全。该方法在张量分解的基础上引入GRU门控机制,有效捕获实体-关系之间的交互,并使得关系向量在不同的头实体条件下具有不同的向量表示。本章在四个标准数据集上进行了知识图谱补全的实验,在FB15k数据集上相比基线方法取得了显着的性能提升。该实验结果表明,Gate TD通过GRU来增强知识共享,有助于更有效的建模。将该方法应用于医学知识图谱的补全,对于医学知识图谱的推理工作具有重大的实际意义和学术价值。（2）针对理论知识与临床案例缺少关联的问题,提出了基于分析学习的临床案例诊疗规律分析方法。首先通过实体对齐的方式形成知识图谱中的理论知识（症状、中药）与临床数据（症状、中药）的衔接,在此基础上基于分析学习的方法对目标概念（药症关系）进行学习,从而以临床病例的疗效为依据实现对理论知识的评价及筛选。这一方法具有较高的可靠性和可解释性,对于领域数据的构建及诊疗规律的发现具有重大的实际意义,同时为中医临床辅助决策支持提供基础。（3）针对中医辅助诊疗系统不能有效利用理论知识的问题,提出了基于多策略学习的处方推荐方法,以中医知识图谱和临床数据为基础,实现中医临床辅助决策支持。相比于机器学习的多标签分类方法、网络映射方法以及基线的知识图谱补全方法,该多策略学习的处方推荐方法取得了最佳的性能,其Precision@10=0.259,Recall@10=0.238,F1@10=0.248。这一结果充分表明,知识图谱由于其内部丰富的语义关联,为处方推荐过程提供了潜在的信息来源,使得推荐结果具有更高的精确性、多样性和可解释性。因此,知识图谱在辅助诊疗领域具有极大的应用价值及学术意义。