近年来,资源描述框架RDF（Resource Data Framework）已被广泛应用于各种网络资源标记应用中。在RDF模型中,现实世界中事实都被表示成三元组形式。一个RDF数据集天然地可以被视为一个图,也就是知识图谱,其中主体和宾语是顶点,每条三元组是一条边,而谓语就是这条边上的标签。随着RDF模型被广泛地应用,现有知识图谱数据集规模也越来越大。于是,如何利用各种分布式计算环境对大规模知识图谱数据集进行查询与检索成为目前研究的难点和热点。为此,本文将研究不同分布式环境下知识图谱数据上多种形式的查询与检索,所研究的分布式环境包括联邦型分布式系统、基于划分的分布式系统等。所研究的知识图谱数据查询形式包括关键词查询、结构化查询以及距离查询。本文主要研究工作:（1）联邦型RDF数据库中的关键词查询方法研究针对多个“自治”的单机知识图谱数据管理系统组成的联邦型分布式计算环境下关键词检索难题,提出了在离线阶段生成整合单机知识图谱数据管理系统的类信息来构建模式图的方法。然后,在在线阶段,利用单机知识图谱数据管理系统提供的全文搜索接口将关键词映射到模式图上的类,并通过遍历模式图生成结构化查询。最后,将生成的结构化查询发送到相应的单机知识图谱数据管理系统来对这些查询进行处理。理论分析和实验结果表明,本文提出的方法是有效且高效的。（2）基于分区的SPARQL查询处理优化研究针对强耦合多个单机知识图谱数据管理系统的集中式分布式计算环境,为了在该环境中处理结构化查询,通常的做法是将知识图谱划分成一些更小的子图进行分布式存储。这种方法在结构化查询处理过程中面临中间结果过多的风险。本文提出了在选择分布式执行计划前先收集变量的候选项的优化方法,并设计了一个基于总运行时间的模型来评估优化的收益,用来减少中间结果的数量进而提高查询处理性能。通过在大规模知识图谱数据集上进行实验,证实了本文提出的优化方法可以有效提高性能且与现有的分布式知识图谱系统无缝结合。（3）基于地标的距离计算优化技术研究针对因为知识图谱数据体量增大,导致传统分布式图的距离计算方法效率逐渐不能满足应用需求的问题。本文提出一种基于地标的框架来优化基于云计算平台的分布式图系统上的距离计算方法,用集合介数度量来选择距离计算的最佳地标集合。通过理论分析,证明了选择最佳地标集是NP难的,进而提出了一种启发式分布式算法,以保证近似比。在大规模知识图谱数据集上进行了实验,实验结果表明本文所用方法要优于现有的几种主流方法,并且在不同基于云计算平台的分布式图系统中性能差异较为明显,其中在Pregel+中性能表现要比Giraph和Graph X快2-3倍。