近年来,知识图谱在组织和表示来自不同领域的知识方面起着至关重要的作用,并在各种网络应用中被广泛采用。而单个知识图谱的知识覆盖面毕竟有限,甚至可能会严重影响到下游各种知识图谱应用,如基于知识图谱的问答系统或推荐系统等,所以构建大型知识图谱已经成为一项具有挑战性的任务。虽然可以从零开始提取新的事实三元组,但其成本巨大,而将现有的不完整知识进行整合以相互补充是非常必要的。实体对齐旨在识别不同知识图谱中的等价实体,一直是构建大规模知识图谱的基本问题,仍然远未解决。最近的实体对齐研究多以表示学习技术为主,通过将知识图谱中的实体表示为低维嵌入向量,然后通过计算相似度得到候选对齐实体对。但是如何充分地利用关系信息、如何减少对于标签数据的依赖以及如何利用知识图谱的全局信息仍然是基于表示学习的实体对齐研究中存在的挑战。本文从多重关系的共现问题出发,结合关系的方向信息和关系的对齐信息,对关系和实体的交互进行建模,以更充分利用关系信息。另外,针对标签数据稀少的问题,本文利用稳定婚姻算法改进现有的迭代扩充训练集的方法,用于得到更优的标签数据。基于对这两个问题的分析,本文提出基于关系交互的半监督实体对齐方法。该方法为了更好地表示关系,引入三元图的概念,即通过将三元组中关系表示为节点,针对不同的关系上下文建模关系信息,并以半监督的方式训练得到一个端到端的实体对齐模型,从而得到更准确的对齐实体对。针对基于表示学习的模型对于标签数据的依赖问题,本文还进一步提出一种无监督的实体对齐算法,其通过一个迭代框架结合点集配准技术和基于关系交互的实体对齐模型。通过类比计算机图像中的点集配准任务,并针对当前主流模型中多是建模局部信息为主却没有考虑知识图谱间的全局转换的问题,引入点集配准技术。该算法的直觉是两者分别从全局角度和局部角度考虑实体对齐任务,通过迭代的方式相互增强以达到更好的对齐性能。最后,本文通过在跨语言对齐数据集DBP15K上进行对比实验验证模型的有效性以及消融实验证明其模型不同模块的有效性。