知识图谱在当前社会扮演着非常重要的角色。许多基于自然语言的任务,例如推荐系统,信息抽取,阅读理解等都依赖于知识图谱的构建。尽管知识库中存在大量的三元组事实,知识图谱仍然面临知识缺失的问题。知识图谱补全是当前知识图谱研究的热点,它旨在通过已存在的实体和关系去推断新的事实（三元组）。知识表示是解决知识图补全的主要手段,主要通过将图谱中的实体和关系投影到连续的向量空间中,并通过训练好的向量来预测缺失的关系。现有的知识表示方法大多需要足够多的数据,并且把所有的关系一起训练。在现实生活中知识库存在大量的长尾关系,并且随着知识库的动态演化,知识图谱会出现新类别的关系。为解决上述问题,学者们提出了小样本知识图补全问题。当前基于小样本知识图补全的研究都是基于实体表示和局部一阶图结构,没有考虑三元组周围的路径规则逻辑,三元组周围的子图结构可以很好保存目标三元组的路径信息。为了能够在小样本场景下的知识补全中模型可以保存子图结构的信息,本文做了如下改进:（1）提出了一种基于自适应度量匹配的小样本知识图补全方法。首先分别获取每个任务的支撑集和查询集的子图表示,使用自适应匹配网络来学习查询集的正负样本和支撑集正样本的匹配注意力系数,最后整合支撑集的各个样本得到原型表示,计算原型向量与查询样本向量的匹配得分。（2）提出了一种基于子图元关系学习的小样本知识图补全方法。该方法的主要思想为:将三元组周围的路径信息以局部子图的形式保存下来,使用关系图神经网络提取每个关系的子图特征,将支持集同一任务中的样本特征取平均得到原型特征,通过将样本特征与原型特征进行拼接计算相似性得分,最后使用MAML梯度优化算法,学习每个任务的公共初始化,以适应新的关系。