工业互联网将工业与新一代的信息技术进行紧密结合以实现工业领域的万物互联为目标。物联网是工业互联网网络构成的重要部分,能够实现网络边缘信息的感知与数据集成,并基于大数据分析技术实现海量数据的价值挖掘,进而支撑不同场景的智能应用。语义化是数据应用的高级形式,随着语义技术的发展,语义物联网等相关技术成为研究的热门与重点,受到广泛关注,流是承载物联网数据的典型形式,结合语义技术和流处理技术是实现物联网的数据互操作和智能应用的重要思路和有效途径,具有重要的科研价值。针对海量数据中语义信息的获取和实时查询这两个问题,本文重点研究了用于表达语义信息的RDF数据的查询方式,主要分为两种查询方案。一种是前向查询方案,使用该方案RSP（RDF Streaming Processing）引擎的推理查询是从设定的知识库中进行的,优点是可以满足实时性的需求,缺点是语义逻辑较为复杂时,由于知识库的限制而不能满足查询需求;另一种是后向查询方案,使用该方案的RSP引擎是对SPARQL（W3C标准RDF查询语言）进行扩展从而完成实时查询,优点是可以处理复杂语义逻辑,缺点是查询时间复杂度较高,实时性需求难以满足。结合上述RDF流数据两种查询方式的特点,本文设计并实现了一个基于Spark的RDF流数据实时查询系统——RSP-FB系统,该系统的核心部分为两个模块。前向查询模块,首先是采用了OH-CQ方法,该方法设计过程是使用合取查询的方式,通过SPARQL语句实现OWL公理到OWL Horst规则集的转化,从而实现OWL Horst规则集的扩展,然后对基于RDFS和OWL Horst规则集的特点进行分析,最后通过减少推理过程的迭代次数实现查询的优化。后向查询模块,首先是选取C-SPARQL作为查询语言,然后通过语句解析层获取语法树和对应的逻辑计划,并将生成的逻辑计划采用图的路径优化算法进行优化生成最终的查询计划,最后将查询计划分发到Spark集群不同的节点上去执行。同时,为了验证本文设计的RSP-FB系统的整体性能,使用LUBM数据集和SRBench数据集分别对前向查询和后向查询模块进行实验和评估,结果表明该系统在对RDF流数据查询上具有良好的扩展能力和实时查询能力。