资源描述框架(Resource Description Framework,RDF)可以表达丰富的语义信息,被广泛地应用于知识图谱的元数据描述之中。随着语义网信息抽取技术的发展,单个RDF数据集已经达到数十亿三元组的规模。SPARQL是万维网联盟针对RDF数据查询提出的标准查询语言,基于SPARQL的RDF查询问题可以转化为子图同态问题,该问题是一个NP完全问题。此外,对于包含噪声的SPARQL查询,基于子图同态的精确查询方法无法得出答案,如何在合理时间范围内返回用户满意的Top-k查询结果,成为普通用户最为关心的一个问题。因此,如何高效地在大规模RDF数据上执行SPARQL查询是知识图谱数据管理中的一个有挑战性的问题。针对以上问题,本文做了如下工作:1)针对无噪声的SPARQL查询,提出一种按照约束大小排序的查询图节点匹配策略,在此基础上给出一种基于树搜索的RDF查询算法RI-Triples。该策略在匹配过程中提前引入更多约束以修剪不匹配的分支,从而避免了使用复杂的预测剪枝规则,有效地减少了搜索空间并提高了查询效率。在LUBM6M,LUBM13M和LUBM33M数据集上,RI-Triples的总查询时间分别为g Store的0.59,0.54和0.74倍,RDF-3X的0.24,027和0.34倍。在Wat Div10M数据集上,对于雪花查询,RI-Triples的总查询时间分别为g Store的0.028倍,RDF-3X的0.24倍。实验结果表明RI-Triples具有良好的查询性能。2)针对无噪声的复杂SPARQL查询和包含噪声的SPARQL查询,采用一种统计显著性方法对查询图节点及其候选节点的结构、邻居节点标签等属性进行相似性评估,从而给出一种基于邻居向量的RDF Top-k查询算法NBRQ。该算法在扩展匹配过程中充分考虑候选节点的h-hop邻居节点,以提高查询结果的相似性。实验采用LUBM5M数据集,在无噪声的复杂SPARQL查询中,当变量节点的比例为5%～27%时,NBRQ算法F1分数得分范围为95.90%～82.40%;在包含噪声的SPARQL查询中,当噪声的比例为14%～33%时,NBRQ算法F1分数得分范围为95.70%～90.30%。实验结果表明NBRQ算法对于包含噪声的SPARQL查询具有内在的鲁棒性,能有效处理大规模RDF数据近似查询问题。