图作为离散数学与计算机科学中重要的数据结构,越来越多的新兴技术领域开始用图模型来表示现实世界中的复杂的数据实体,以及实体与实体之间的关系,同时对一些具有不确定性的复杂网络建模时,还可以将其建模为不确定图。然而图数据丰富的语义特征和复杂的内部结构,极大的增加了各种图处理算法的复杂度,随着数据量的增加,提高图数据尤其是大的图数据处理算法的性能具有重要的现实意义。因此,本文进行了基于图的语义查询与推理算法的相关研究。基于社交网络等实图数据的语义和结构特征,本文提出了一个新的大图中的近似子图匹配查询算法ASMQ,算法在查询过程中不像子图同构那样,严格的要求拓扑结构和节点标签完全相同。算法首先介绍了子图匹配测量模型,从结构和节点标签信息两个方面来衡量查询图与匹配子图的匹配程度。然后根据邻节点域索引从目标图中过滤得到候选节点集合,最后采用启发式推理方法从候选节点集合中确定最佳匹配子图。实验证明,ASMQ算法在查询精度和查询效率方面都一定程度上都优于现有的近似查询算法NeMa。在非确定图中,本文基于其概率属性特征,设计了一个关系可靠性推理算法,推理出在非确定图中,与源节点集合的关系大于给定概率阈值及语义相似度阈值的所有节点,算法首先利用METIS对非确定图进行分层聚类,构建SRR-Tree索引,然后利用SRR-Tree索引根据推理条件和节点标签语义信息过滤得到候选节点集合,最后分别使用了基于下边界的确认和基于抽样的确认两种确认方法,从候选节点集合中确定最终的推理结果。实验证明,算法具有较好的可靠性推理性能。本文基于第三章的图查询算法,开发实现了一个可视化的子图匹配查询系统,以更直观的方式展示查询结果,从而可以从图数据中发现更多有用的信息。