分布式语义信息集成的关键是本体映射,目前本体映射相关理论研究众多,但语义融合能力依然不足,只停留在静态权值分配的方式。针对该问题,本文提出了基于多策略的本体映射方法,采用动态权值分配的方式,解决该问题。首先,本文的数据来源为Web查询、历史映射信息和语义词典三个方面,根据每个维度需要的时间成本和空间成本,调整数据来源并把相似度高的映射结果存储下来,作为下一次本体映射的输入参考向量。其次在相似度计算方面,本文从四个层面(概念、属性、结构和实例)进行计算,在概念、属性、结构和实例计算时加入了语义信息进行计算。对本体概念计算时,使用了改进的ESA(Explicit Semantic Analysis)算法,在概念名称相似度计算时,加入了语义信息,解决本体中字符串匹配问题;对概念属性进行计算时,采用了基于融合语义的属性相似度算法,解决属性的数据类型匹配和字符比较问题;对本体结构计算时,使用基于结构的SF(Structure Factor)方法,解决两个本体结构之间存在的相似性问题;对本体实例的相似度计算时,采用基于动态权值的实例相似度算法,解决不同语义下实例的相似度计算问题;并利用熵决策的算法分别计算出四种相似度权值,利用带权值的小批量梯度上升算法把相似度进行融合,得到最终的相似度结果,避免了只采用单一方法和静态权值的弊端,从四个维度进行计算确保计算的准确性。最后本文还提出了利用六元组的方式,对本体进行形式化表达并适当存储。由于对于每次映射的结果不一定会对以往映射结果产生正面影响,也可能通过一次映射过后,导致映射概率下降。所以本文利用AHP方法对当前映射本体和本体数据库中的六元组数据进行优化处理,实现动态调优。综上所述,本文提出了一种基于多策略的本体映射方法,解决了由静态权值分配导致的语义融合能力不足问题。实验结果表明,本文提出的方法可以发现更多的本体映射关系,相比Ri MOM方法在准确率和F值上都有提升,分别提高了0.5%和0.6%。对今后本体领域的研究提供了参考。