知识图谱嵌入技术旨在学习知识图谱中实体与关系的分布式表示,藉此使图谱中存储的知识更易于被应用于下游的各种任务,如知识图谱补全、知识推理以及检索等目的。在过去的数年中,众多研究成果被提出,如基于平移距离与基于语义匹配的嵌入技术。然而,这些研究通常基于常规的线性方法对知识（或称为事实）中的关联关系建模,模型结构过于简单,其表现力因此受到限制。最近,卷积神经网络被应用于知识图谱嵌入,其兼具参数效率与表现力,在链接预测任务中取得了优异的表现。但是,现有的嵌入方法忽略了卷积神经网络中通道间的关联性,未能使模型的性能得到进一步的提升。本文主要研究工作包括:1)分析现有基于卷积神经网络的嵌入模型,提出了通过捕捉同一维度特征交互来学习知识三元组中局部关联性、全局关联性以及通道间信息的卷积神经网络嵌入模型ConvD,将ConvD在公开数据集WN18RR与FB15k-237上执行链接预测实验并与前人的研究工作进行比较;2)为了使嵌入技术能够应用于开放世界知识图谱补全任务,研究了知识图谱嵌入与文本信息的有机结合方法,在开放世界扩展OWE的基础上提出了其改进方法EOWE,得到扩展模型ConvD-EOWE,在数据集FB15k-237-OWE与DBpedia50k上执行开放世界链接预测任务并分析其性能表现;3)针对城市智能能级提升需求,构建了面向消防与养老的智慧城市知识图谱SCKG,利用ConvD学习SCKG中实体与关系的表示作为后续应用的基础,并在对应的数据集SCKG159上执行链接预测任务,验证了ConvD在现实世界数据集上的性能表现。实验结果表明,与本文所知的模型相比,ConvD在FB15k-237的MR指标、WN18RR的MRR与Hits@N指标上取得了最好的结果;与利用OWE进行扩展相比,使用EOWE对ConvD扩展在FB15k-237-OWE与DBpedia50k的所有实验指标上都得到了提升,尤其在MR指标上分别提升了11.7%与12.3%,且超过了其他本文所知的开放世界补全模型;在SCKG159上,ConvD相较于其他经典嵌入模型在MRR、Hits@3与Hits@10指标上取得了更好的结果。