随着知识图谱的不断发展,RDF图数据规模也急剧扩大,越来越多的RDF数据的应用对RDF图数据的质量提出了更高的要求,基于RDF图数据的应用和数据库也产生了对图数据质量进行验证的要求,它们希望RDF图数据具有一定的正确性和完整性。同时RDF图数据的质量保证有利于RDF图数据的管理。知识图谱验证问题成为图数据管理中被较少研究但十分重要的问题。对现有的图数据验证方案进行了详细的调研,总结了现有的研究方向和主要的验证方案。主要有两种知识图谱验证方法,分别是Sh Ex（Shape Expressions）和SHACL（Shapes Constraint Language）,两者的作用都是验证知识图谱是否满足形状中定义的约束,同时总结了二者之间存在的区别。基于其中的SHACL对知识图谱增量式验证问题进行深入研究。基于SHACL的语义特点,提出了一种基于逆拓扑排序的非递归模式的RDF图数据的验证方案。本文区分约束类型,并且基于逆拓扑排序算法调整模式中形状的验证顺序,且为了便于访问已有的验证结果,提出一种辅助结构来存储模式中形状与图中节点的验证结果,有效的提高了RDF图数据的验证效率。在基准数据集和真实数据集上,提出的验证方案比传统验证方案减少约26%的验证时间。对一个已经满足某种模式的RDF图来说,如果图被更新,那么更新后的RDF图还应该满足这种模式,因此更新后的RDF图需要被验证。完整的重新验证更新后的RDF图是一种可以保证结果正确但低效的方式。本文提出一种基于非递归模式的RDF图更新增量验证算法,该算法可以正确且高效地处理更新验证地问题。此外本文还针对递归模式提出了基于非否递归模式的图数据更新增量验证方法。在基准数据集和真实数据集上,本文提出的增量算法与完整验证的方法比较,在验证时间上具有量级的差距。