随着智能信息服务的迅猛发展,知识图谱逐渐成为互联网数据知识服务的主要形式,在智能领域得到广泛的应用和发展。由于目前大部分开放知识图谱中,存在大量实体之间隐含的关系尚未发掘,不完整的问题限制了诸多下游应用的效能发挥,知识图谱补全成为亟待研究的重要问题。知识图谱推理以事实预测和关系推理为任务,是知识图谱补全最主要的方法,也是支撑知识图谱下游应用的关键技术。早期的推理主要依靠规则和逻辑,而在深度学习技术推动下,基于知识图谱表示学习的推理方法,凭借在计算和存储效率上的优势,已成为知识图谱推理研究的主要方法。本论文针对现有方法在结构信息建模、辅助信息利用上的不足,研究如何有效挖掘利用文本描述和邻域结构两类信息,提出了邻域信息分层感知和文本语义增强的嵌入和推理模型,有效提高了知识图谱推理的效能。本论文的主要研究工作如下:（1）提出了基于邻域信息分层感知的表示学习及推理模型。以充分挖掘知识图谱结构中蕴含的关联语义信息为目标,针对传统图注意力网络对于关系的语义挖掘利用上的不足,提出一种层次图注意力网络编码节点邻域信息的模型,该模型基于Encoder-Decoder框架,按关系和实体两个层次区分注意力权重,实现更细粒度的节点嵌入表示,有效提高了推理预测的准确度和可解释性。（2）提出了基于文本描述语义增强的表示学习及推理模型。针对直接使用预训练语言模型进行推理预测存在的计算开销大、三元组结构特征学习不足的问题,提出一种将预训练语言模型同传统嵌入算法相结合的框架,该框架运用预训练语言模型编码实体和关系的文本输入,并通过KGE模型分阶段完成微调和训练,实验验证了该框架的适用性和有效性。（3）提出了基于结构与文本多信息表示学习的联合推理模型。提出将邻域信息与文本描述两个编码模块结合的推理模型,在学习三元组结构信息的同时,以节点邻域信息和文本描述信息共同作为补充进行知识表示学习,实现基于结构和文本的联合推理。