知识图谱补全是通过预测实体之间的隐藏关系来获取新的知识,从而使知识图谱更加完善。目前将知识图谱中的实体和关系嵌入到连续低维向量空间中成为知识图谱补全的一种有效方法,应用卷积神经网络的ConvE等模型和应用图卷积神经网络的KBAT等模型在知识图谱嵌入中取得了较好的性能。但是,KBAT等模型不能对实体间的双向语义关系进行建模,并且无法获取丰富的多跳邻居特征,ConvE等模型难以获取三元组的深层特征。针对以上问题,本文通过对图卷积神经网络和卷积神经网络进行改进,给出了多跳双向注意力模型MBGAT和基于残差卷积神经网络模型Res DE,提高了知识图谱补全的准确率。本文主要研究内容如下:（1）分析了目前主要的三类知识图谱补全方法,包括基于张量分解的知识图谱补全方法,基于翻译模型的知识图谱补全方法,基于深度学习的知识图谱补全方法。比较了他们的优缺点,并分析了其中存在的问题。（2）针对KBAT等模型存在的问题,给出一种基于编码器-解码器结构的多跳双向注意力模型MBGAT。该模型能够学习到实体更大邻域内的信息,并且获取到实体间的双向语义关系,提升了实体聚合邻域信息的丰富度,提高实体和关系的嵌入质量。在WN18RR,FB15k-237和NELL-995公开数据集上进行实验,结果表明MBGAT模型相较于基准模型在各个指标上性能均有较大提升,提高了知识图谱补全的准确率。（3）针对ConvE等模型仅在浅层卷积神经网络进行三元组操作的问题,给出一种基于残差卷积神经网络的补全模型Res DE。该模型能够利用深层卷积神经网络来提取三元组的深层次特征,同时减少了随着网络层次加深产生的信息丢失的问题和梯度消失的问题。在WN18RR和FB15k-237公开数据集上对Res DE进行独立实验,以及将Res DE作为MBGAT模型的解码器进行实验,结果表明Res DE作为独立结构和作为MBGAT模型的解码器各项指标均优于基准模型。