随着现代信息技术的迅速发展,互联网在各行各业得到了广泛的应用,海量信息常以半结构化或非结构化的形式展示给人们。如何对这些爆炸式增长的数据进行深层分析,向人们提供更高质量、更精准的知识,成为了大数据时代的一个热点研究问题。知识图谱作为人工智能领域的分支,本质上是将具有属性的实体通过关系链接成为一个网状知识库,人们可以通过知识图谱更加快速准确的从海量多样数据中获取知识。在这种背景下,知识图谱及其相关技术一直受到广大学者的广泛关注,面向领域的知识图谱构建与算法研究有着重要的学术与应用价值。本文分析了知识图谱构建与相关算法,着重研究了实体关系抽取与实体链接的相关算法,并面向城市环境数据领域进行了算法的深入研究,在已有的传统经典算法上进行改进优化,设计研究了相关改进模型,并将算法应用于城市环境数据,构建了面向城市环境的知识图谱,搭建了基于环境数据知识图谱的智能平台。本文主要工作包括如下的几个方面:（1）实体关系抽取是知识图谱构建的核心任务。传统流水线式抽取方法中实体抽取与关系抽取是分开的,没有考虑二者之间的相关性,本文以多头选择联合实体关系抽取模型为基础,并从三个方面对其进行改进。首先针对多头选择联合抽取模型在进行关系特征计算时未考虑实体与其头部间子句包含信息的问题,采用注意力及语序强化表征子句信息加入关系特征计算,获得包含更多语义关系的关系选择得分,提升关系分类性能。其次针对多头选择联合抽取模型的命名实体识别任务存在类别不平衡问题的,在原有的交叉熵损失函数基础上引入能够调节平衡正负样本的损失函数,提升对识别任务的损失训练性能。另外,与原有结构不同,本文引入了预训练的基于Transformer的编码器（BERT）来增强语义表示能力,更好的提取文本中词的上下文特征以增强模型性能。（2）实体链接在图谱更新、智能问答等领域都有广泛应用。实体链接工作的重点主要是在候选实体排序阶段,本文对实体链接方法的研究也主要是针对其中的实体排序问题。传统的实体链接模型往往只基于实体指称与候选实体字符上的相似度,对于上下文语义信息考虑得不够充分,本文在连体网络实体链接模型的基础上结合文本层面和语义相关信息进行特征信息获取。其中针对知识图谱中的候选实体采用联合实体描述文本的翻译表示学习模型增强对结构化上下文特征的获取,最终进行相似度匹配完成实体链接。（3）环境领域的知识图谱目前研究较少,本文面向城市环境领域构建领域知识图谱。首先针对多源异构的环境数据,利用爬虫等工具获取网络上的环境相关数据,然后将处理后的数据进行转换,应用本文改进的实体关系抽取算法进行抽取操作,最终构建出面向城市环境领域的知识图谱,并实现了基于知识图谱的智能平台搭建,平台包括了图谱可视化查询展示模块、实体关系抽取模块、知识问答模块和信息多维度统计模块,为城市环境数据的应用提供帮助。