随着无线通信技术的快速发展,大量无线设备的使用在方便人们生活的同时也导致电磁环境越来越复杂。应对海量复杂的电磁态势数据,如何进行数据的存储和管理并设计有效的分析方法,快速从复杂的数据中提取有用的数据信息,对电磁态势信息进行准确的评估显得至关重要。近年来兴起的知识图谱技术,能快速构建结构化的知识库,清晰地描述不同实体之间的相互关系和概念属性,对电磁数据的管理、分析以及态势感知提供非常丰富的特征信息。本文对知识图谱表示学习进行研究,结合电磁态势数据的结构性特征提出一些创新性的改进,并运用到电磁态势知识图谱系统中。本文的研究内容和主要贡献如下:（1）针对Conv E模型在知识图谱表示学习过程中实体和关系的交互性不够的问题和特征信息提取效果不理想的问题,提出了一个基于Inception模块的知识表示学习模型Inception E。该模型首先定义了一个输入层处理模块,对输入的实体和关系进行拼接、排列、重塑和合并等操作用于提高实体和关系的交互次数;然后借鉴Inception网络的思路,使用不同尺寸的卷积核进行计算,来增加网络的感受野,更高效地提取特征信息;为了防止原始特征信息丢失,本文还引入了残差网络对模型进行进一步的优化。通过在多个公开数据集和电磁数据进行测试,本文模型的实验结果均优于当前主流算法。（2）针对电磁态势知识图谱的稀疏性问题,本文提出一个针对稀疏知识图谱的表示学习算法。首先使用Inception E模型对稀疏知识图谱的实体相似度进行计算,通过添加带置信度边的方式对稀疏知识图谱进行规范化;然后使用图注意力网络和循环神经网络分别对规范化后的知识图谱的实体和关系进行编码,最后使用Dist Mult网络对实体和关系的编码进行解码得到知识表示学习的结果。最终通过在相关数据集上与当前主流的算法进行对比,证明本文算法的有效性和实用性。（3）基于电磁态势这一实际运用场景,收集和整理电磁态势数据,开发一个完整的电磁态势知识图谱系统。该系统提供电磁知识图谱管理功能,并且结合表示学习算法完成链接预测、三元组分类运用,以及电磁态势分析的相关功能。本文设计的系统已通过相关实验测试,构建的电磁知识图谱能够运用于日后的电磁态势分析中。