近年来,越来越多的知识图谱已广泛应用在人工智能、自然语言处理和智能医疗问答系统中,渗透到社会各行各业。然而,基于不同数据源所构造的知识图谱,有着对同一实体的不同表述,在异构知识图谱中找到对同一实体的不同表达至关重要。实体对齐是在不同知识图谱中,找到表示在真实世界中的同一实体,可以将不同知识图谱中的等效实体链接在一起,是知识融合的重要步骤。本文的主要工作是实体对齐的研究,现有的实体对齐模型主要分为基于知识图谱嵌入和图神经网络的方法。大部分的实体对齐研究忽略知识图结构的异质性,其对齐效果往往不显著。本文从知识图谱的图结构角度出发,对图神经网络模型进行重点研究,采用半监督的方式进行联合训练,以进行实体对齐,得到匹配的实体对。本文研究的主要工作如下:（1）不同的知识图谱通常具有不同的结构,对应的实体也有着不同的邻域结构,知识图谱间的结构异质性往往是因为实体的邻域不同导致,为缓解其所带来的影响,本文提出一种邻域聚合匹配网络模型（NAMN）。该模型对实体的每层邻域采用分层的思想进行区别处理,聚合实体的邻域信息,使用门控机制和邻域匹配策略来实现实体对齐。（2）在邻域匹配的过程中,实体间的连接关系也是在匹配过程中的重要因素。本文提出一种关系感知邻域聚合匹配网络模型（RNAMN）。该模型借鉴了NAMN模型中的邻域聚合方案,来学习图结构表征。并使用一种半监督的方式,利用实体对齐方式和关系对齐方式之间的相互作用,迭代更新实体和关系的距离矩阵,利用图结构信息来找到新的实体对和关系对。最后,为了验证本文所提模型的有效性,在DBP15K基准数据集上进行实验验证。实验结果表明,本文的方法在倒数平均排名和命中率等指标上明显优于以前的流行方法,可以提高实体的匹配准确度。