多关系网络中包含了事物与事物之间的多种关联信息,常常以图结构的形式表示。在图结构中的结点和边通常分别表示事物和多种关系。相比于单一关系网络,多关系网络能够表示更为复杂的事物关系,因此具有更加广泛的应用范围,例如生物学、社会科学、语言学等。而现有的图嵌入方法大多倾向于单一关系网络而非多关系网络。但随着关系数据复杂程度的加深,研究人员也开始意识到多关系网络嵌入的重要性。同时现有的一些多关系网络嵌入模型在图表示时常常会将一个多关系网络划分为多个单一关系网络。这种处理方式虽然能够极大地保留网络信息,但也使得生成的输入数据规模过大,进而导致模型参数过多、模型计算复杂性过高等问题。针对上述问题,本文尝试引入知识图谱和图信号处理的相关技术。首先尝试将知识图谱中的多种关系处理方式首次引入多关系网络嵌入中,结合变分自编码器模型,并改进了损失函数,从而提出了基于关系变分自编码的多关系网络嵌入模型PR-VAE;由于PR-VAE使用的图表示方法仍然会损失部分网络信息,本文尝试通过划分子图来保留更多网络信息,为此设计出了符合图表示要求的全新得分函数,借助变分自编码器的改进模型变分图自编码器,提出基于变分图自编码的多关系网络嵌入模型MR-VGAE。最后,由于MR-VGAE模型在“多对多”、“多对一”、“一对多”关系上的嵌入效果不佳,本文尝试引入图信号处理中常见的滤波器来表示多种关系,从图表示方法和关系计算上进行了相应改进,同时保留了MR-VGAE的嵌入框架,由此提出了基于谱分解的多关系网络嵌入模型SDVGAE。通过相关的实验验证,证明了本文提出的方法相较于大多数基线模型在嵌入效果和嵌入稳定性上表现更为优异。近年来提出的多关系网络嵌入方法由于图表示方法和损失函数设计上的问题,在嵌入效果和训练难易程度上大多是无法令人满意的。本文的研究方法中尝试引入全新的设计思想,设计全新的图表示方法,并提出具有较好效果且合适的得分函数。同时结合嵌入过程中遇到的实际问题,改进变分自编码器的网络模型和损失函数以更好地完成多关系网络的嵌入工作。