知识图谱的出现为异质结构信息的提取、组织和整合提供了有效保障,然而现实世界的知识图谱通常不完整,引入新实体或新关系来进行知识图谱补全极具现实意义和应用价值。由于观察到关系存在长尾分布的现象,小样本知识图谱补全任务逐渐进入研究人员的视野,即根据仅有少量对应实体对的任务关系所在的不完全三元组来预测缺失实体。然而之前的方法由于需要用到大量头尾实体对进行训练而受到长尾关系的限制,部分方法不能有效捕获实体和关系间的相似性,而且针对小样本知识图谱补全的一些算法在学习任务关系特征表示时,更多地关注于邻域内实体的作用,而忽略了邻居关系的贡献。为了解决上述问题,本文首先提出了一个基于邻域信息融合的小样本知识图谱补全模型（Few-Shot Knowledge Graph Completion Based on Neighborhood Information Fusion,FNIF）。它受到元学习的启发,并且适用于小样本关系场景,它由两个分别用于嵌入和匹配的模块组成。其中的邻居关系元编码器通过实体相似度描述关系相关性,并且通过注意力机制融合实体特征,因此可以捕获可转移至查询集中的关系的连续特征表示。第二个模块则为通过梯度更新增强关系特征表示的匹配处理器。考虑到匹配过程中查询实体的重要性,本文提出了另一个应用元学习的结合Transformer和卷积神经网络的小样本知识图谱补全模型（FewShot Knowledge Graph Completion Based on Transformer and Convolutional Neural Network,FTCN）,它包括关系元学习器,Transformer编码器和匹配处理器三个部分,分别实现以参考集信息为依据编码长尾关系,结合参考集信息更新查询实体,以及完成查询实体、任务关系元、候选尾实体的匹配的功能。本文的主要贡献如下:（1）本文对知识图谱补全的典型模型进行了分析,考虑如何将相关技术应用到小样本问题当中。由于元学习适用于小样本任务,本文研究了依据元学习构建知识图谱补全模型的方法,将获取的长尾关系嵌入作为可迁移的元信息,从参考域转移至查询域,使用梯度更新策略加速训练过程,实现了准确而高效的预测。（2）应用图注意网络融合实体的一跳邻域信息,并提出了一种将实体级注意转化为关系级注意的思想,从而获取长尾关系的有效表示。（3）使用Transformer编码器更新查询实体表示,完成参考集和查询集信息的高效融合,以及实现任务关系和查询实体间信息交互的较为准确的表达。（4）本文在两个数据集上进行了扩展性实验,实验结果表明本文的两个模型在提出之时均优于选取的两组基线算法。之后对模型的时间复杂度及邻域注意力进行了分析研究,证明了模型在实现预期效果的基础上保证了执行效率。