语义通信是一种新兴的在通信过程中考虑语义的通信范式,但是目前大多数的通信框架更关注如何来表征信息源中所包含的语义以及量化语义,如此便忽略了无法直接从源信息标签中观测到的隐含信息。并且现有的语义通信框架是基于集中式训练的端到端的框架,很多移动端设备无法承担相当的计算量,并且通过云计算中心来处理复杂的语义编解码的话计算时延则无法保证,一些实时性的任务需求便无法满足。针对以上问题,本文主要有以下研究贡献:1)本文用知识图谱来表征语义,提出了基于推理的语义通信编解码方式,用图卷积神经网络作为编解码器,发送端对显性语义进行编码,接收端进行恢复,此外还根据编码后的信息推理出隐性语义,提高语义的传输效率。2)在基于联邦边缘智能的语义通信网络的基础上,利用广泛部署的边缘服务器承担用户进行语义通信的计算需求,提出了具有相同推理偏好的用户共同训练编解码器的模型FR-SED（Fedrated Reasoning Based Semantic Encoder and Decoder）。协作模型通过设备间两两协作或者多设备共同协作的方式训练模型,优化语义推理的准确率,提高语义通信的效率。3)针对知识在不同用户间的分布造成的邻接信息损失问题,本文提出用户间交换部分边缘信息的协作推理编解码模型,相对地称之为CL-RSE（Collaborative Reasoning Based Semantic Encoder and Decoder）,来改善FR-SED模型中由于邻接信息损失对推理准确率造成的影响。4)最后,本文以两层的图卷积神经网络模型为例,通过仿真验证了用协作的方式训练出的编解码器在隐性语义推理上的有效性,以及参与协作的用户的数量对模型收敛性和准确率的影响。结果显示,在数据异质性较低时,协作模型推理结果可达到与端对端模型相当的准确度,并且CR-SED模型对于数据的异质性具有良好的鲁棒性。