随着互联网的不断普及和人工智能技术的发展,数据量呈指数增长。在大数据时代,如何从海量的数据中快速获取有价值的信息并有效运用,是数据挖掘分析领域研究的重要问题之一。一图胜千言,将复杂的文本数据以图的形式表达,能够让人们更快更准确的获取所需信息,更好的理解信息,知识图谱由此应运而生。近年来,随着“互联网+”和“中国制造2025”的提出与发展,知识图谱受到工业领域的青睐,智能制造成为了传统工业转型的关键。本文对工业领域数控机床（Computer numerical control machine tools,CNC machine tools）故障维修知识图谱的构建及其应用进行了研究,主要研究成果如下:（1）针对数控机床故障维修领域,提出了一种基于BLSTM-LCRF模型的命名实体识别方法。使用BLSTM神经网络自动学习文本的隐含特征,将BLSTM神经网络的输出作为LCRF的输入,通过LCRF进行解码,获取全局最优序列。该方法解决了早期命名实体识别方法中需大量人工标注、维护难度大、难以获取长距离依赖、成本高等问题。实验表明,所提方法在数控机床故障维修数据集上取得了较好的识别性能。（2）提出了一种基于PCNN-BLSTM-Attention深度神经网络模型的实体关系抽取方法。首先定义实体关系类别,同时将文本信息转换为词向量并与位置特征向量拼接作为联合特征向量;然后将联合特征向量输入PCNN-BLSTM-Attention模型中进行实体关系抽取。将数控机床故障维修数据集输入不同的关系抽取模型进行对比实验,实验表明所提的方法相对于其他对比模型抽取效果更优。（3）构建了基于数控机床故障维修领域的知识图谱并对其进行简单的应用。首先将前两章得到数据转化为CSV文本的形式,使用“Notepad++”文本编辑器将CSV文件的文件编码形式更改为UTF-8编码形式;然后将整理后的文件导入Neo4j图数据库中,利用Cypher语言展现数控机床故障维修知识图谱的全貌;最后使用Cypher语言对数控机床故障维修知识图谱进行简单的应用,为数控机床的诊断提供依据,提高了故障维修的效率。