在当前互联网和大数据飞速发展的时代,知识的数量呈几何级数增长,如何从海量的知识数据中寻找到有价值的信息并加以利用,是目前信息科学相关行业亟待解决的重要问题。随着知识图谱概念在2012年的提出,知识图谱以其强大的知识存储、知识互联、知识融合、知识推理能力,逐渐地在智能问答、语义搜索、人机交流、语义分析等科研领域,以及电商、医疗、社交等产业领域发挥了越来越重要的作用。所谓知识图谱,就是将真实世界的知识实体、概念通过他们之间的关系互相连接在一起,从而形成的一张包含知识信息的图谱网络。区别于传统的知识数据库,知识图谱中的知识具有丰富的语义信息,范围广、内容全,同时还与现实世界建立了联系,知识的准确性、完善度和应用性极高。正因为知识图谱具有如此多的优势,国防民生都重点关注的“网络空间作战”领域对知识图谱有着强大的研究应用需求,构建一个良好的知识图谱,对网络空间的知识存储、知识研究、知识查询和知识利用都大有裨益。本文主要研究了中文领域知识图谱的构建技术,并以“网络空间作战技术”领域为目标域,开发了一套知识图谱平台。本文的主要工作包括:（1）设计并构建了领域知识表示框架,爬取并标注了一份高质量领域中文数据集。本文根据任务特点,选择使用了基于本体的知识建模方法和三元组知识表示方法;而后针对多种数据源设计爬虫引擎,以“网络空间作战技术”为目标领域,在开源互联网爬取了约50M文本数据;最后基于知识模型标注了一份高质量训练数据,为深度神经网络训练提供了数据支撑。（2）设计了一种基于迁移学习和深度神经网络的领域知识抽取模型。使用深度神经网络对领域知识进行抽取,训练数据的规模和质量对抽取性能起着至关重要的作用。领域知识图谱构建往往面临缺乏大规模高质量领域数据的问题,针对该问题,本文设计了一种基于迁移学习和深度神经网络的TBBC知识抽取模型。模型使用BiLSTM作为核心知识特征学习层,BiLSTM的网络特性使得其在序列标注预测任务中性能较好,同时BERT语言预训练模型和迁移学习的共同使用,也解决了领域训练数据不足的现实困境,提高了模型的泛化能力以及“冷启动”能力。（3）基于开源云系统开发了“网络空间作战技术”领域中文知识图谱平台。以OpenStack开源云系统作为平台的后端管理平台,以Neo4j图数据库作为知识存储数据库,以采用B/S架构的Django作为应用服务框架,开发了“网络空间作战技术”领域中文知识图谱平台。平台结合了诸多系统的优点,实现了知识数据的毫秒级查询、知识关系的可视化查询、知识存储的强容灾备份性以及知识图谱应用的轻量化。经相关实验验证和平台集成测试,本文设计的TBBC模型和实现的知识图谱平台具有较强的实用价值。