随着人工智能技术的不断发展,知识图谱已经成为人工智能领域中不可或缺的组成部分,因为它具有强大的知识表示和推理能力,备受学术界和产业界的关注。知识图谱在语义搜索、问答、知识管理等方面得到了广泛应用,但是多模态知识图谱的研究更注重于不同模态下实体及其多模态语义关系的构建。然而,现有的多模态知识图谱只能从有限的数据源中获取信息,其领域覆盖率较低。为了提高多模态知识图谱的覆盖率,一种可行的方法是整合其他多模态知识图谱的有用知识。在这个过程中,识别不同知识图谱中的等效实体是非常关键的,因为实体是连接这些不同知识图谱的纽带。这个过程也被称为多模态实体对齐。在实体对齐任务中,由于不同模态的异构性,很多基于知识表示学习的实体对齐方法仅使用单一模态的数据（如文本）,忽略了其他模态（如图像）中的实体特征信息,导致其他模态中的数据未被有效利用。为了充分利用不同模态中的信息,本文将多模态实体对齐作为主要研究内容,以弥补单一模态数据的不足。具体工作包括:（1）在实体对齐任务中融合了多模态信息特征,增加了知识图谱图像实体的信息,弥补了单一模态的局限性,增加了模态之间的互补性。（2）在特征提取方面,不同的模态采用不同的模型进行特征提取。对于知识图谱文本模态使用图卷积神经网络（GCN）来提取文本实体特征,图像模态使用Image Net预训练的残差网络（Res Net-50）提取图像实体特征。（3）在特征融合方面,通过双曲图卷积神经网络（HGCN）进行特征融合,将图像特征的嵌入映射到双曲空间中,使用双曲多模态实体对齐（HMEA）在双曲空间中使用聚合嵌入来预测实体对齐结果。在多模态知识图谱FB15K、DB15K、YAGO15K三个数据集上进行实验,实验结果证明多模态比单一模态的实体对齐效果在80%种子实体对的情况下,HGCN-Align在Hits@1和Hits@10提升了近15%,添加了图像实体的特征可以大大提升实体对齐的准确率和效率,为多模态链路预测或跨模态搜索等领域提供了新的思路。