近年来,随着互联网的发展和软件众包产业的兴起,日益增多的个人和组织使用众包平台进行软件服务众包,以达到节约成本、提高效率等目的。正确理解用户的搜索意图,并帮助用户挑选适合的服务,是众包平台的关键研究问题之一。但目前众包平台的服务搜索存在以下问题:（1）大部分搜索方法都是基于字符串的完全精确匹配,没有做到在理解用户语义基础上的“软匹配”。除非用户精准表达自己的搜索意图,否则基于字符串的精确匹配将无法得到用户想要搜索的服务;（2）平台由于多用图片展示服务内容,使得服务文本信息匮乏,这导致基于统计自然语言处理的语义搜索解决方案较难发挥作用;（3）与谷歌、百度等通用领域搜索不同的是,软件众包平台的搜索属于领域垂直搜索,要求具有对专业领域知识的理解,因此有必要引入领域知识来帮助搜索。在此背景下,本文面向软件众包服务平台,提出了一种基于知识图谱的语义搜索方法。该方法首先利用知识图谱中实体包含的丰富信息,如描述、属性、同义词、上下位词等进行语义扩展,对相关服务做一个初步的搜索召回;同时也结合知识图谱的实体信息来帮助增强词向量的表达,从词向量的相似度中获取到语义相关度特征;并构建主题模型,从主题概率分布模型中提取出主题特征。然后综合使用这两类特征,采用学习排序算法对初步召回的搜索结果进行重排序,使得更为相关的服务具有更高的排名。本文的创新点总结如下:（1）从软件服务数据,以及CN-DBpedia通用领域中文知识图谱、维基百科、百度百科、StuQ脑图等外部数据中构建了软件众包特定领域的知识图谱。（2）利用知识图谱中的实体信息,如描述,同义词,上下位词等,同时对用户搜索语句和服务描述信息做语义扩展,以解决用户搜索语句可能不能明确表达意图和服务文本信息缺少的问题。（3）利用知识图谱中的实体信息进行词向量的增强表达,将知识图谱中的语义信息融入到传统的word2vec词向量,通过增强的词向量构建语义相关度的重排序特征。（4）提出了基于自编码机的主题模型混合特征抽取方法,从主题模型中提取出多级主题的重排序特征。本文利用解放号软件众包平台的数据,进行了一系列实验。实验结果表明,本文提出的方法相对于现有的DSSM神经网络模型,在选取10个目标服务的情形下,精确率（P@10）、召回率（R@10）、MRR@10和NDCG@10搜索结果指标上分别提高了42.633%,42.633%,27.465%和34.977%。