在大数据的驱动下,人工智能技术取得了很大的进步,特别是在深度学习、知识工程等领域。相比于机器学习,深度学习的发展在大规模标注数据基础上有了质的飞跃,深度神经网络能够通过训练数据获得理想的层次特征表示;然而随着数据优势的消耗,深度学习模型也逐渐表现出过度依赖标注数据、缺乏专家经验知识等方面的不足。与此同时,随着知识图谱规模的不断增大,其所蕴含的人类先验知识、丰富的结构化信息却没有在深度学习中发挥其价值。因此在当下深度学习的发展中,将知识图谱与深度学习进行有效结合是改善深度学习模型性能的重要方法。本文的主要工作如下:（1）针对目前已有的知识图谱表示学习方法无法有效存留实体,对于复杂关系图谱忽略其关系相关性的问题,本文研究并改进基于翻译模型的知识表示学习方法,通过分析关系的内在相关性、按相关性分组建模,给出向量空间的改进思想,并确定改进模型的目标函数及训练算法,使用真实数据对知识图谱的向量化表示进行全面评估,为深度学习模型提供高质量的连续化知识向量。（2）针对传统深度学习模型大规模标注数据难以利用先验知识的问题,本文在知识图谱向量化的基础上,设计并构建融合知识图谱的卷积神经网络模型KGDe L,通过实体链接消歧与知识图谱嵌入抽取得到领域知识图谱中的结构化知识,并将原始语料文本中的特征词向量与相应知识实体向量作为CNN的多通道输入,在卷积过程中从语义和知识两个层面表示不同类型文本特征。同时,对模型的整体框架、各部分网络结构以及融合方法等进行详细分析,为模型输入向量选取最合适的预处理方法,从而确定模型的损失函数与训练方法。（3）将融合模型应用于疾病诊断领域。本文采用语义丰富、存储规范的中文医学知识图谱与病情描述文本数据对模型进行训练,通过一系列参数选择实验,确定使模型性能达到最优的参数;同时设计多组对比实验进行一种或多种疾病的诊断,验证本文提出的模型的有效性,并通过对比其他疾病诊断方法,表明这种知识与数据联合训练的方法更适用基于病情描述的疾病初步诊断。