随着知识图谱研究和应用的深入,多源异构知识图谱间的知识共享和融合成为一种新的需求。通过对多个知识图谱的对齐、关联和合并,使其融合成一个有机整体,是一种提供更全面知识共享、促进知识应用的重要方法。多知识图谱的融合主要包括本体对齐和实体对齐两大关键技术,分别实现不同知识图谱间在真实语境中指向同一本质的等价本体概念的匹配和等价实体的匹配。此外,为了方便用户理解融合后过大的知识图谱,本体摘要应运而生。本体摘要是生成原始本体缩略版本的一种方式,能够有效降低本体理解的难度,推动知识图谱的应用。随着深度学习技术的不断发展及其在自然语言处理领域的应用,基于深度学习的多知识图谱融合和本体摘要已成为主流,但是受限于当前自然语言处理领域及知识表征领域的技术现状,如何提高本体对齐、实体对齐和本体摘要的精度仍是当前的重点。面向不同知识图谱间融合以及融合后图谱摘要的需求,本文分别针对本体对齐、实体对齐和本体摘要技术进行了深入的研究,主要研究内容如下:（1）为了提高本体对齐的精度,采用多特征相似度融合的方法,针对不同类别特征相似度融合的难题,提出了基于自注意力模型对本体概念间多种元素级和结构级相似度进行融合的本体对齐方法。首先,分别基于字符串、基于语义和基于结构信息三个维度对两个本体间本体概念的相似度进行计算;然后,将这些不同类别的相似性度量作为输入,送入自注意力模型中进行融合;最后,根据融合的结果判断两两本体概念是否相似,进而进行本体对齐。实验表明,相较于其他方法,该方法的F-Measure有明显提升,验证了本文方法的有效性。（2）为了提高实体对齐的精度,在普遍采用的结构特征基础上融合了属性特征,提出了基于图卷积网络（Graph Convolutional Network,GCN）融合结构和属性深层语义信息的实体对齐方法。首先,将实体的邻接矩阵作为结构特征放入GCN中得到实体的结构嵌入;然后,以实体对齐作为下游任务微调BERT模型,再用微调后的BERT获得实体名称的语义层向量,将其作为属性特征（其中邻接矩阵中包含了结构信息）放入GCN中获得属性深层语义嵌入;最后,将结构嵌入和属性嵌入联合进行实体对齐。实验表明,该方法所得结果在Hit@k评估上优于其他实体对齐方法。（3）为了提高本体摘要的精度,基于逐级收敛的思想,提出了一种基于重要性筛选与语义聚类的本体摘要方法。首先,针对基于语义的本体摘要中提取出的本体重要概念容易偏向长文本的不足,提出基于组合重要性度量的本体概念筛选方法,生成候选本体概念集;然后,为了利用本体概念语义层面的信息,使用预训练好的BERT模型将候选本体概念集转换为本体概念向量,将其投射到向量空间;最后,利用K-means++在上述向量空间进行聚类,根据聚类结果得到具有代表性的本体概念集,生成本体摘要。与其他方法相比,该本体摘要方法的精度有明显的提升。