实体对齐（Entity Alignment）旨在发现不同知识图谱（Knowledge Graph）中指代相同事物的实体,是知识图谱融合的关键技术,近年来受到了广泛的关注.早期,研究者们使用字符串的各种特征来进行实体对齐工作.近年来,随着知识表示学习（Knowledge Representation Learning）技术的不断发展,研究者们提出了许多基于知识表示学习的实体对齐方法,效果明显优于传统方法.然而,实体对齐的研究仍然存在着许多亟待解决的问题与挑战,比如数据质量、计算效率等.本文从实体对齐的定义、数据集和评价指标出发,详细深入地综述和比较了传统实体对齐方法和基于知识表示学习的实体对齐方法.针对传统方法,分类介绍了基于相似性计算和基于关系推理的实体对齐方法,并深入研究了每类方法对字符特征、属性特征、关系特征的利用,同时深入分析了不同方法之间的优势与不足.针对基于知识表示学习的实体对齐方法,本文进行了重点讨论、分析和对比.首先,本文将该类实体对齐方法抽象为由三个模块（即嵌入模块、交互模块和对齐模块）组成的统一框架,依据三个模块对每个方法进行了详细的综述.进一步地,根据方法所利用的信息种类的不同,将已有方法划分为基于结构信息、属性信息、实体名信息、实体描述信息和综合信息等八类方法,对每一类方法进行了详细的综述.然后,对基于知识表示学习的实体对齐方法进行了深入对比分析.最后,讨论了实体对齐工作的主要挑战,包括稀疏知识图谱的处理、标注数据的缺乏和噪声问题、方法的效率问题等,并对该工作的未来进行了展望.