作为人类知识的一种类型,知识图谱用结构化的形式描述现实世界中的实体对象以及它们之间的关联关系。知识图谱能够有效整合和利用互联网中储存的大量数据,被广泛应用到智能推荐系统、知识问答系统等人工智能应用当中。知识图谱嵌入技术将知识图谱中的实体和关系映射到低维向量空间中并学习相对应的特征嵌入,这样可以在保留知识图谱原有结构的同时简化操作、提高计算效率并为下游相关任务提供语义支持。知识图谱嵌入技术对于知识图谱的应用起着至关重要的作用,目前对于知识图谱嵌入的研究大部分集中在嵌入模型的性能上,然而嵌入模型的健壮性研究也同样不可或缺。一方面目前公开的大型知识图谱大多不够完整,甚至部分知识图谱的数据并不完全可靠;另一方面对于多数的知识图谱应用尤其是对安全性要求较高的医疗、金融类应用来说,知识图谱数据上的微小改动就可能使嵌入模型学习到的特征嵌入产生巨大的偏差,进而可能造成重大的损失。因此对知识图谱嵌入健壮性的研究也具有重要的意义和价值。基于上述问题,本文分别从知识图谱嵌入的对抗性攻击和对抗性防御两个角度进行研究,具体的研究内容包含以下两个方面:（1）在知识图谱嵌入对抗性攻击方面,本文利用目标三元组的相关子图结构,设计了一种基于图结构深度学习的对抗性攻击方法。该方法首先通过深度学习框架得到目标三元组相关子图结构中具有较大影响力的三元组,然后通过三元组之间的调整余弦相似度筛选出最佳的对抗性攻击扰动样本,最后将扰动样本添加到训练数据中。实验结果表明,该方法能够有效降低攻击后的知识图谱嵌入模型的性能,攻击效果优于大部分已有的对抗性攻击方法。（2）在知识图谱嵌入对抗性防御方面,目前的相关研究较少,本文受图神经网络对抗性防御相关研究工作的启发,设计了一种新的知识图谱嵌入对抗性防御方案,该方案主要分为两个部分:对抗性训练和扰动检测。对抗性训练部分作用于嵌入模型的训练过程,通过对抗性训练使得嵌入模型对潜在的扰动样本的攻击有一定的抵抗能力;扰动检测部分作用于嵌入模型训练之后,通过对目标三元组的相关子图进行划分和再生成,对比检测出可能的扰动样本。实验表明,本文所提出的对抗性防御方案能够在一定程度上有效防御已有的对抗性攻击方法。