知识图谱用来描述现实中实体和实体间的关系,形成了一个内容丰富的语义网络图,其中节点代表实体,边代表关系,结构化地表示（头实体,关系,尾实体）形成的事实三元组。受现阶段信息抽取技术发展水平的限制等诸多原因,知识图谱仍处于一个不完备的状态。为了充分挖掘知识图谱潜在知识,对知识图谱进行补充和完善,需要研究相关的知识补全工作,知识图谱补全旨在发现充分表达实体和关系语义关联的模型,从而依照三元组中的已知实体和关系预测缺失部分,这也是知识图谱目前所被研究和讨论的重点问题。知识图谱嵌入作为补全知识图谱的重要方法,将知识图谱的实体和关系嵌入到连续的低维向量空间中,随后将实体和关系的嵌入信息放入模型进行训练,利用已知的实体和关系去预测未知的实体。近年来,基于卷积神经网络对知识图谱进行补全已经成为一个热门话题,该类方法可以增加实体和关系之间的特征交互信息从而表达实体和关系间更丰富的语义,然而大多数现有模型在嵌入层使用随机初始化嵌入,没有考虑知识图谱间的信息关联;还有一些模型在模型层中增强特征交互的同时打乱实体和关系嵌入的空间结构信息。本文针对以上两个问题,提出了两个改进知识图谱补全方法,研究工作主要包括:（1）针对基于卷积神经网络的知识图谱补全方法的嵌入层使用随机初始化嵌入更多的考虑了实体和关系本身,忽略了三元组的关联性,没有考虑知识图谱结构的问题。本文提出了基于图卷积网络的知识图谱补全方法Gcnet,Gcnet在嵌入层使用图卷积网络,利用知识图谱的图结构,通过聚合邻居实体信息和对应的关系信息,实现更精确的知识图谱嵌入,最终达到更好的补全效果。（2）针对基于卷积神经网络的知识图谱补全方法的模型层,通过增强特征交互提升补全性能却打乱实体和关系嵌入的空间结构信息的问题。本文提出一个特征增强的知识图谱补全方法Int SE,Int SE探索增加实体和关系间的特征交互信息,表达实体和关系间更丰富的语义,同时筛选特征映射中对知识图谱补全有益的特征通道信息,并抑制无用的特征通道信息,从而进一步提升知识图谱补全效果。（3）基于多种数据集的实验结果证明本文所提方法的有效性,Gcnet和Int SE通过与其他基准模型在不同的公共数据集上进行实验对比,链接预测性能的多个指标均得到了一定的提升,说明本文所提出的方法对知识图谱补全有促进作用。