Ons dagelijks leven wordt sterk be�nvloed door besluitvormingsprocessen op basis van grote hoeveelheden gegevens, waarvan zowel de gegevenswaarden als de betekenisvolle (semantische) relaties kunnen vervat worden in kennisgrafen. Gezien hun automatische verwerking moeten kennisgrafen op deze beide fronten kwaliteitsvol zijn. Dit proefschrift richt zich op beide: zowel het verbeteren van de gegevenskwaliteit, als het beoordelen van de semantische kwaliteit van kennisgrafen. Het beschrijft enerzijds een raamwerk om kennisgrafen te genereren met uitbreidbare gegevenstransformaties die gegevens kunnen opschonen ("RML FnO"), dat is uitgebreid om gegevenstransformaties automatisch en implementatie-onafhankelijk uit te voeren ("FnO.io"). Anderzijds beschrijft het een validatie-aanpak voortbouwend op een op regels gebaseerde redeneeroplossing ("Validatrr"). Deze houdt rekening met de gebruikte semantiek, en maakt specifieke verbeteringen aan de kennisgraaf mogelijk dankzij precieze duiding van de ontstaansgronden van kwaliteitsproblemen. Dankzij deze bijdrages kunnen gegevenswaarden in kennisgrafen worden opgeschoond tijdens het genereren van kennisgrafen, en kunnen ze worden vervolledigd met behulp van automatische gegevenstransformaties op bestaande kennisgrafen. Onze validatie-aanpak maakt het mogelijk om de kwaliteit van de semantische relaties in kennisgrafen nauwkeurig te beoordelen. Het gecombineerde werk maakt het makkelijker om bij kennisgrafen de datakwaliteit te verbeteren en de semantische kwaliteit te beoordelen, wat er toe bijdraagt om kennisgrafen correct in te zetten bij besluitvormingspro