随着人工智能的发展及其对知识需求的急剧增加,知识图谱应运而生。大部分知识图谱使用RDF描述资源,RDF图上的SPARQL BGP查询是对各类知识图谱进行描述、挖掘及分析的重要技术。RDF图上的SPARQL BGP查询等价于子图匹配问题,而由于子图匹配问题已被证实为NP问题,因此,如何在大规模RDF图上进行高效的SPARQL BGP查询是一个极具挑战的问题。本文针对不同查询约束的语义查询设计了大规模RDF图上的多元化查询方法。首先,当执行谓语常量约束的SPARQL查询时,使用本文类星型结构的分布式存储与基于谓语常量的标签树索引方式,执行查询图预处理和类星型结构匹配过程,通过减少查询迭代次数以及索引高效的剪枝过滤效果加快检索速度,并利用E-MJOC算法基于类星型结构选择性确定各查询子图匹配及连接顺序进行查询优化,通过减少中间结果的产生降低连接代价进而提升查询效率。其次,当执行混合常量约束的SPARQL查询时,本文设计了节点分区索引和基于布隆过滤器的编码树索引,在进行查询图预处理和类星型结构匹配时,根据RDF数据图中割点信息和节点分区索引缩小计算范围避免了无关存储节点不必要的计算,再通过基于布隆过滤器的编码树索引进行有效剪枝过滤,减少待匹配中间候选集合,降低匹配代价。最后通过MS-MJOC算法生成相应的匹配及连接查询计划对得到的中间结果基于公共点进行连接,通过减少大量连接操作而提升整体查询效率。最后,采用了不同的RDF数据集进行实验对比,实验结果表明,本文SPC的存储与索引方式以及对查询本身进行优化的方法对谓语常量约束的语义查询起到促进作用。另一方面,本文的SMC在进行混合常量约束的语义查询时的查询效果较SDec和S2X更好。