自2019年新型冠状肺炎疫情（COVID-19）在中国武汉首次爆发以来,尽管国内新冠肺炎疫情在短时间内得到了有效控制,因其高传染性与高隐蔽性,仍不可避免地在全球范围内迅速传播开来,带来了不可估量的损失。对新冠确诊患者轨迹数据进行深入研究,检测密切接触者,隔断其进一步传播,是当前控制COVID-19的主要策略。在此背景下,本文使用知识图谱技术对患者轨迹数据中多种关联关系进行建模,并根据可视化结果,分析新冠疫情在特定地区的传播特点。基于患者轨迹数据构建的COVID-19时序知识图谱,本文提出了一个时序知识图谱推理模型,预测未来可能发生的疫情事件,以起到防控预警作用。综上所述,本文主要工作包括以下几个方面:首先,根据官方发布的新冠疫情轨迹信息,结合兴趣点数据（Point Of Interest,POI）,提取关键信息并处理为结构化数据,为后续的COVID-19知识图谱可视化与COVID-19时序知识图谱事件推理模型做数据准备。最终获取了三个真实数据集:吉林省数据集,黑河市数据集与大连市数据集,本研究以大连市数据集为例,从患者性别与年龄两个维度进行数理统计,分析此次大连市疫情的传播特点与影响因素。其次,使用Neo4j图数据库与Neovis.js工具,实现COVID-19知识图谱可视化查询系统。在可视化查询系统中,本文基于不同的关联关系构建了三种知识图谱:社交关系知识图谱、地点层级知识图谱、COVID-19知识图谱,并从不同关联关系的角度出发,通过可视化结果分析其对疫情的影响与隐含的传播规律。然后,提出基于图表示学习的时序知识图谱推理模型（Graph Representation Learning Based Temporal Knowledge Graph Reasoning Model,GRL-TeR）,根据COVID-19时序知识图谱对疫情事件进行推理预测。该模型由表示学习模块（编码器）与事件推理模块（解码器）两个部分组成。时序知识图谱被构建为一个带有时间戳的历史知识图谱序列。表示学习模块由关系图卷积网络（Relation Graph Convolution Network,R-GCN）与门控循环单元（Gate Recurrent Unit,GRU）构成,旨在将历史知识图谱的结构信息与序列模式编码到实体嵌入与关系嵌入中;事件推理模块将目标问题定义为实体预测任务与关系预测任务,使用多任务评分函数,为给定查询计算所有实体与关系的条件概率向量。最后,本文在三个真实数据集上进行了多组实验。对比试验中,分别选取先进的静态知识图推理模型与时序知识图推理模型作为对比方法,结果表明本文GRL-TeR模型的优越性。在消融实验与模型性能分析实验中,分别验证了GRLTeR模型各个组件的必要性与模型实验设置的合理性。