在大数据时代,伴随着基于知识图谱的个性化推荐、智能问答等应用的普及,高质量知识图谱的构建技术成为众多学者的研究重点。然而,单个知识图谱难以满足实际应用的需求,需要融合异源的知识图谱。知识图谱融合的关键就是知识图谱对齐,即实体对齐技术和关系对齐技术,其目的就是找出不同知识图谱中等价的实体对和关系对。当前知识图谱对齐技术存在融合信息不充分、少样本种子对训练集等问题,因此,如何设计高效准确的知识图谱对齐方法,完成知识图谱的融合,是目前知识图谱领域研究的热点之一。为了解决上述难题,提出一种基于多视角嵌入的自适应迭代知识图谱对齐模型（Adaptive Iterative Knowledge Graph Alignment Model Based on Multi-View Embedding,M2AI）。该模型设计一种多视角联合嵌入方式,对实体的名称信息、属性信息、结构信息以及关系信息分别进行编码表示,同时采用基于图卷积神经网络的结构融合多视角信息,丰富实体和关系的嵌入表达,提升知识图谱对齐任务的准确性。在上述多视角联合嵌入的基础上,设计自适应的迭代训练机制,能够有效应对少样本种子对训练集的问题,同时增强模型在不同知识图谱上进行知识图谱对齐任务的鲁棒性以及普适性。此外,该模型改进关系对齐规则和实体对齐规则,且利用特定的解码规则,实现少量种子对的实体对齐任务和无种子对的关系对齐任务。为验证该模型的准确性和可行性,采用多个公开跨语言知识图谱数据集进行实验。实验结果表明,相较于现有方法,基于多视角嵌入的自适应迭代知识图谱对齐模型在实体对齐任务和关系对齐任务上的表现均较优秀,在实体对齐任务上准确率最高提升6%,在关系对齐任务上准确率最高提升3%。