水产动物疾病是影响水产健康养殖的重要因素,有效的疾病防治需要完备的水产医学相关知识作为支撑,而知识图谱是水学产医学相关知识表示及应用、实现水产健康养殖的有效手段,图谱补全技术又是提升水产医学知识图谱构建质量的关键。然而在对水产医学知识图谱补全过程中,水产医学相关数据存在稀疏、关系复杂等特点,造成因水产医学知识图谱同类实体语义辨析度低、语义特征不显著等导致水产医学知识图谱复杂关系补全准确率不高的问题,进一步研究发现,补全过程中使用现有方法获取的负例三元组质量较低,影响对图谱中复杂关系的补全效果,为解决上述问题,本文开展引入混合卷积、正负例三元组信息的面向复杂关系水产医学知识图谱补全研究,具体研究内容及创新如下:（1）基于混合卷积（Translating on Hyperplanes+Hybrid Convolution Aquatic Medicine,Trans H+HConv AM）的水产医学知识图谱补全方法。针对水产医学知识图谱因同类实体语义辨析度低、语义特征不显著等导致复杂关系补全准确率不高的问题,提出一种水产医学知识图谱补全方法。为增强同类实体的语义辨析度,采用Trans H作为嵌入模型,通过拆分实体与关系间的向量平面,增强同类实体的语义辨析度;为避免仅用Trans H造成语义特征不明显问题,引入混合卷积思想,通过扩大头尾实体与关系间的交互面积,增强实体关系间的局部交互以及三元组的全局交互,从而提升图谱中复杂关系的补全效果。为验证所提出方法的有效性设计了对比实验,实验结果表明,该方法的MR、MRR、Hit@10值分别为674、0.339、0.361,都优于补全效果较好的Conv R模型。研究表明,该模型能有效解决因复杂关系而导致的图谱补全效果较差问题,并提高水产医学知识图谱的构建质量,为实现智能化水产养殖、提升健康养殖智能化程度提供了技术支撑。（2）混合正负例信息的水产医学知识图谱补全负采样方法。针对水产医学知识图谱补全负采样过程中存在负例三元组质量较低、复杂度高等问题,提出一种应用于水产医学知识图谱补全的负采样方法。为降低负采样过程中复杂度,先利用K-Means聚类算法将各类水产医学实体分簇,后以不同概率来抉择替换头或尾实体,一定程度提高获取负例三元组效率。为解决所获负例三元组质量较差问题,引入混合操作,采用评分函数评分获取高质量负例三元组,再向其注入正样本信息进行混合操作,生成更高质量负例三元组,提高采样负例三元组质量。为验证所提出方法的有效性设计了对比实验,实验结果表明,该方法的MR、MRR、Hit@10值分别达到了489、0.494、0.524,都优于负采样效果较好的Mix KG模型。研究表明,该模型能有效解决负采样过程中负例三元组质量较低、复杂度高等问题,并提高水产医学知识图谱补全效率,为实现智能化水产健康养殖提供了技术保障。