步入21世纪后,随着信息技术的革命,计算机相关技术得到了飞速的发展,与此同时,互联网世界中各种信息数据也呈现指数级的增长,在带给我更为便利的生活方式的同时,也让我们思考如何去处理如此庞大的数据。面对如此庞大的数据量,谷歌公司率先研究更为先进的数据处理手段并在2012年提出了知识图谱概念。知识图谱技术简单来说就是构造拥有众多实体和关系为基础的结构化信息的关系集合,它是实现大数据技术、人工智能相关应用、智能问答系统等应用的基础。其中知识图谱构建包括知识信息抽取、实体链接与消歧义、关系推理等几个关键技术。关系推理补充技术作为其中关键的步骤之一,它赋予了计算机一定的“思考”能力,也让计算机自主完善知识图谱成为可能,因此是本文的重点研究技术。关系推理补全技术的作用为:已知知识图谱数据集中部分三元组,通过统计学习或者向量映射等手段,对三元组分析、总结和归纳。寻找并发掘知识图谱中潜在的事实或新的三元组信息,使得原本的知识图谱数据更为完善。本文先对推理补全算法的发展做了详细的调研,最后在表示学习和逻辑规则游走方向各提出了一个算法。主要工作归纳如下:1、对现有关系推理技术背景做了调研,分析了常用主流推理算法优缺点,并且介绍了关系推理中的常用技术背景。2、改进基于表示学习方法:在Trans E推理算法上的基础上提出Trans E描述补充算法（Trans E Descriptive Supplementary Reasoning,TDSR）。用补充的事实描述增加推理中三元组实体之间语义的空间距离,通过增大容错空间来提升推理的准确率,在实验部分,相关结果也验证了本章算法的有效性。3、优化基于逻辑的推理算法:分析了逻辑规则相关算法模型,并据特征路径算法提出了无向图游走推理算法（Undirected Graph Radom Walk,UGRW）,此算法分为无向图逻辑推理和关系子图推理两部分,利用知识图谱中三元组数据,学习训练特定关系所对应的推理模型,把无向图拓朴结构分为全局图与关系子图,分别进行处理,通过特征建模与邻接矩阵的计算,从而完成关系推理任务。最后在FB15k和WN18两组数据集上对融合推理表现进行分析,并对关系子图推理部分在四种不同关系类型下的不同表现行了讨论。