知识图谱（由实体及关系组成的知识三元组集合）作为知识的一种结构化和语义化的表现形式,引发了研究人员的广泛关注。但是由于知识获取的不全面或遗漏,现有的知识图谱都存在构建不完整或者无法处理新增知识等问题。知识图谱推理作为知识图谱补全和更新的重要手段,已在学习资源推荐、知识搜索、智能问答以及机器翻译等教育领域发挥了积极作用,成为推动互联网和人工智能教育发展的核心驱动力之一。知识图谱推理旨在基于已有的知识推理出新的知识或识别错误的知识,其主要思路是将传统推理过程转换成基于实体及关系分布式表示的语义向量计算,并逐渐发展为基于平移距离的推理模型、基于语义匹配的推理模型以及基于深度学习的推理模型等三种类型。其中基于深度学习的推理模型采用不同的神经网络方法对实体及关系的语义特征进行组合并提取,然后用于知识三元组的推理预测。由于其在语义特征学习与提取方面具有较大优势,成为当前知识图谱推理的主流研究方向。在此背景下,本文探索采用神经网络方法解决知识图谱推理中存在的具体挑战。本文的主要研究内容和创新体现在以下三个方面:针对知识图谱中的复杂关系推理挑战,提出了基于卷积神经网络的知识图谱复杂关系推理模型。知识图谱中存在一对多、多对一和多对多等复杂关系,现有的知识图谱推理模型在处理复杂关系时性能有待提升。针对这个问题,本文提出一种动态的多尺度卷积神经网络（M-DCN）,通过动态生成特定于关系的卷积核,使得神经网络能够动态获取实体的特征,然后用于知识图谱的推理。此外,M-DCN将生成不同尺度的卷积核,用于提取实体和关系语义向量之间的不同方面特征。在实验中表明,该模型有效地提升了知识图谱中复杂关系推理效果。针对少样本知识图谱推理的挑战,提出了基于异质图神经网络的少样本知识图谱推理模型HRAN。传统知识图谱推理模型需要大量样本进行训练,才能准确地学习到实体及关系的语义特征。为提高少样本知识图谱的推理性能,本文提出一种异质图注意力网络（HRAN）,能够针对不同实体属性,分类汇聚邻接节点的特征,从而更好地表示中心节点特征。此外,HRAN使用注意力机制以获取不同关系路径的重要程度,基于不同关系路径权重选择性地汇聚重要的邻接节点特征。通过多个数据集的实验证明,该模型相比之前的对比模型,显著地提高了知识图谱推理的性能。针对知识图谱中存在一词多义的挑战,提出了基于重构神经网络的知识图谱交互学习推理模型IERCN。目前大多数知识图谱由于无法做到精准化构建,导致许多实体及关系存在一词多义现象。为解决此类问题,本文提出一种基于知识图谱交互学习的重构卷积网络（IERCN）,旨在建立从关系到实体以及从实体到关系的跨语义交互,使得实体及关系在涉及不同知识三元组时可映射到不同的向量子空间中,使得学习到的语义向量更具泛化能力。此外,本文提出一种重新校准机制以对特征图进行重构,从而有选择地提取重要特征并抑制无用特征。实验结果表明,所提出的推理模型在各项评价指标上都取得了一定的提升。