随着互联网技术的飞速发展,人类社会积累了大量的理论知识与实践经验。知识图谱以其高度凝练的语义网络结构,成为一种高效的知识表示手段。知识图谱为人们生活中的多个领域提供便利,包括搜索引擎、问答系统、医疗诊断等等。虽然知识图谱规模以指数级的速度增长,但仍然存在稀疏性与不完整性的问题,如何有效挖掘知识图谱的隐藏语义,推理出潜在事实是一个亟须解决的问题。目前深度学习在自然语言领域取得了突破性的进展,尤其在知识图谱推理这样的应用场景获得了更优异的性能,是未来知识推理模型的发展方向。本文围绕上下文与关系路径多源语义融合的问题进行深入研究,提出了一种基于多元语义神经网络的知识图谱推理模型,通过语义融合的方式,实现知识图谱推理。本文主要贡献如下:1.针对主流知识图谱推理模型存在利用信息类型单一的问题,提出一种多元语义深度神经网络（Mulit-semantic Deep Neural Network,MSNN）实现关系推理。利用信息传播网络与循环神经网络分别对实体上下文信息与关系路径特征进行建模,并利用注意力机制将两种语义融合,实现知识推理。实验结果表明MSNN模型在FB15k、FB15k-237、WN18、WN18RR、NELL995等五个数据集的MRR、MR、Hit@1、Hit@3指标上相较于当前主流方法取得了较好的效果,证明了使用两种语义信息可提升模型表达能力。2.针对传统信息传播网络中传播函数权重固定的局限性,本文在MSNN模型中提出一种基于卷积信息传播网络的实体上下文特征建模方案。利用卷积神经网络高效的特征建模能力,以可学习的方式计算传播函数中实体关系的权重,使得传播函数的表示更加灵活。实验结果表明在MRR、MR、Hit@1、Hit@3指标上基于卷积网络的传播函数权重计算方案均高于传统的求平均方案。3.为进一步提升MSNN网络的性能,本文设计了一种基于文本嵌入的关系向量初始化方案并以此提出了MSNN模型的改进方案TE-MSNN,以改进MSNN模型中初始化关系向量的表达能力,提升模型性能。通过文本表示生成、文本语义过滤、文本表示降维的方法获得关系文本的向量化表示,以此作为MSNN的初始化关系向量。4.为验证TE-MSNN（Text Enhanced-MSNN）方案的有效性,本文以NELL995数据集为基础构建新的关系文本增强数据集NELL995-text。从NELL系统的官网上爬取每个三元组中关系的描述文本与实体类型的描述,构建每个关系的描述文本。实验结果表明TE-MSNN在MRR、MR、Hit@1、Hit@3指标上与MSNN相比有了一定的提升。