当前网络上存在着海量的、多源的无结构化文本数据,如何从中快速提取用户感兴趣且有用的内容是亟待解决的问题。研究者们提出使用自动化工具将无结构化数据转化成结构化数据的概念,关系抽取是其中至关重要的步骤之一。根据数据集的标记程度可以将关系抽取分为有监督、半监督、无监督。针对有监督关系抽取即关系分类的相关算法研究有很多,主要集中于使用深度神经网络抽取待分类句子自身的语义特征,且均已取得了不错的性能效果。随着知识图谱等高级语料资源的出现,部分研究学者为了提升关系分类的性能,试图从知识图谱中获取与关系分类中的样本句子相关的信息来丰富关系分类模型的特征。但是当前关系分类任务中使用知识图谱的方式仍处于起步阶段,尚有待改进和完善的地方。比如:（1）当前的关系分类方法中绝大部分只使用知识图谱的词汇特征,忽略了图的结构特征;（2）尚未有充分利用知识图谱语义,构造出脱离句子文本语义的独立完整的关系分类模型;（3）当前的关系分类方法仅将知识图谱中的相关知识用于现有关系分类模型的特征,尚未实现知识图谱语义对关系分类模型的特征级、结果级和模型级的多方位融合。针对上述问题,本文展开结合外部知识图谱的关系分类方法的研究,并做出如下贡献:（1）提出了基于知识图谱的关系分类句子的样本重构。通过样本重构,构造待分类句子对应的知识图谱子图,捕获知识图谱中句子对应背景语境的词汇特征和图结构特征;（2）构建GCN-BLSTM-Attention网络编码知识图谱子图的背景符号特征。在此基础上,提出结合句子本身语义结构特征和知识图谱子图背景符号特征的关系分类模型DGCN（Dual Graph Convolutional Network）;（3）进一步地,提出脱离句子本身文本语义,仅基于知识图谱语义的KGCPR（Knowledge Graph Completion to Predict the Relation）关系分类模型,并使用知识图谱补全完成传统句子关系分类任务;（4）更进一步地,结合知识图谱语义和句子文本语义,提出基于注意力机制的特征级、结果级的多级融合关系分类模型MLFRC（Multi-Level Fusion Relation Classification）,达到进一步提升关系分类性能的效果。在关系分类数据集上进行了测试,实验结果表明:基于知识图谱的样本重构能够有效捕获待分类句子语境的语义结构特征。相较于仅使用知识图谱词汇特征的关系分类方法,尽管DGCN模型仅进行了特征级融合也能取得更优的分类效果。再者,针对KGCPR模型的实验结果表明,仅使用知识图谱语义的关系分类方法是可行的,且基于样本重构出的知识图谱上的关系补全任务能够等价完成传统句子关系分类任务。最后,针对MLFRC融合模型的实验结果表明,基于图谱语义和文本语义的方法之间可以起到相互指导相互校验的作用,从而进一步提升关系分类的性能。