计算机网络的迅速发展导致数据产生爆炸式的增长,知识图谱为这些网络上异构、海量、动态数据的表示、组织、管理和利用提供了一种高效的方式,提高了网络的智能化水平。本体是从客观世界中抽象出来的概念模型,包含概念以及概念之间的关系,是对知识的抽象和对某个领域之中的概念及其之间关系的形式化表达。构建本体的目的是描述领域知识,领域中存在的并行本体开发现象提出了本体对齐的需求。本体对齐以本体作为输入,以对齐结果作为输出,确定不同本体中语义相关的实体之间的对应关系,是语义网互操作性的关键促成因素。随着表示学习技术在自然语言处理领域的发展与成熟,专家学者开始尝试将其应用于本体对齐问题。与原有的特征提取方法相比,表示学习技术存在一定优势,使用大量相关语料预训练得到的词嵌入能够表示单词内在的语义信息,识别字面表示不同而语义相同的单词。但是由于词嵌入的生成依靠单词的上下文,这导致词嵌入存在无法准确区分语义相似性与描述相关性。为了解决这一问题,本文结合本体对齐的具体任务,使用SCBOW模型和Knowledge distillation模型对词嵌入进行改进,利用改进后的词嵌入获取实体嵌入,从而计算两个实体的相似度,获取候选实体对。考虑到使用词嵌入完成本体对齐任务只利用了实体的语义信息,而本体是由实体按层级关系组织成的网络,包含丰富的结构信息。本文利用MTrans E模型对两个本体进行嵌入和本体空间映射,得到实体的结构嵌入,进一步使用本体的结构嵌入计算实体对的相似度,获取最终对齐结果。实验表明改进词嵌入和加入实体的结构嵌入,均在一定程度上提高了概念实体相似度计算的正确率。