随着物联网、数字化技术、人工智能的蓬勃发展,知识融合与推理技术在知识工程应用中也越来越重要。在知识处理过程中,较高的词向量维度导致运算成本较高;在知识建模过程中,提高效率的多人协同建模使得模型碎片化严重,缺乏有效的融合方法;在对知识推理过程中,基于构建的本体模型准确根据信息展开知识推理,提供准确的知识结果是知识应用任务中的重要环节。针对以上所述问题,本论文开展如下研究工作:为提高算法运算效率、降低训练成本、保证下游任务高效进行,本文研究制造领域知识语义词向量降维方法。基于爬取的制造领域知识语料,通过对词向量的准确性与训练成本进行分析研究对词向量进行二次降维的必要性;采用改进的栈式自编码器以及PCA两种降维方式对高维向量降维,利用对同一词语相同维度的语义相关性与训练成本的对比实验,证明该方法对词向量降维的有效性与合理性。为解决多人协同建模过程中本体模型的碎片化、歧义化以及冗余程度较高的问题,本文研究制造知识本体全局相似度及其融合方法。构建实体相似度模型,从实体角度研究节点间的相似关系;提出最大路径子图模型,从路径结构角度研究碎片本体基于路径结构方面的相似;基于上述两个模型定义碎片本体全局相似度;研究碎片制造知识本体类型,提出实体消歧规则与逻辑结构融合规则,实现碎片本体的高效智能融合。采用植物本体模型验证该方法的可行性,完成碎片本体到完整制造知识本体的融合。为获取更准确、更全面的知识推送结果,本文研究基于制造知识本体的知识推理技术。利用protégé对制造知识进行本体搭建及可视化,建立制造知识库,实现对制造知识文档的本体化管理,完成本体模型与知识文档的挂接;研究基于搜索关键词的定位扩展方法,提出概念匹配推理算法,完成知识推理过程;开发面向制造知识的知识推送系统,根据评价规则验证知识推理算法的准确性。