通过分析文本从而实现抽取特定的事件或事实信息的过程,被称为信息抽取。通过对结构不统一的非结构化文本进行信息抽取,能够得到简单明确的结构化数据,便于人们对数据进行高效检索及管理。实体关系抽取作为信息抽取技术的主要任务,在近年来受到学术界和产业界的极大关注。实体关系抽取的目的在于给定一段非结构文本后,从句子中寻找、识别和分类相关实体以及实体之间的关系。在许多下游自然语言处理任务中,例如信息检索、搜索引擎和问答系统,被广泛应用。近年来,随着大规模实体关系数据集发布以及深度学习技术的快速发展,实体关系抽取相关研究取得了令人瞩目的进展。尽管取得了如此成就,却仍然存在许多挑战如:1)神经网络模型倾向于局部不稳定,并且即使很小的扰动也会误导它们;2)以前的工作采用简单的特征串联来融合字-词符晶格信息,未考虑捕获每个字符与其对应单词之间的细粒度关系;3)过去的一些工作通过添加词级或多义词路径作为外部知识,来向有向无环图结构增强字符级表示。但是,这些方法只能学习字-词符实例的顺序交互,而不能考虑每个字-词符以及句子级全局特征之间的稠密交互;4)过去的一些方法采用简单的特征拼接的方式,将实体标签信息融合到上下文表示中,从而带来了不错的性能提高。但是,这种简单的方法只能学习通过令牌级语义的跨模态实例粗粒度的交互,不能有效地推断每个令牌和每个标签之间的相关性。因此,为了应对上述挑战,本文基于深度学习技术,聚焦实体关系抽取,从提高神经模型的鲁棒性、融合词信息到基于字的模型、建模中文句子的语义表示和实体关系能够有效的联合建模等方面开展了一系列研究。本文的主要贡献总结如下:第一,针对神经模型倾向于局部不稳定,本文提出了一个结合对抗训练的晶格结构（晶格结构是指给定的字匹配到词的结构）的神经网络模型。发现对抗训练不仅可以提高神经网络的鲁棒性,本文提出的神经网络还可以协调考虑字符和词信息,从而充分利用数据信息。第二,针对如何有效的融合词信息到基于字的模型,本文提出一个动态的跨-自晶格注意力网络来解决该问题。为此,本文引入了一个跨晶格注意模块来捕获每对字符和匹配词特征之间的细粒度关联,还引入了一个动态的自晶格注意模块进行建模字符序列内部的自相关。我们在中文命名实体识别基准数据集的实验结果表明,该模型相比基线方法性能更优,同时效率更高。第三,针对如何有效建模中文句子的语义表示,本文为中文关系提取任务提出了一个简单有效的多模态交互模型,该模型旨在不同模态的语义表示之间进行交互。为了达到这个目的,本文引入了一个自晶格注意模块来对每对字符和词特征之间的细粒度相关性进行建模,并进一步提出一个句子模态注意力模块去抽取句子的全局语义。我们在关系基准数据集的实验结果表明,与其他基线方法相比,本文提出的模型取得了更好的性能。第四,针对如何实体关系能够有效的联合建模,本文为实体关系联合提取的任务提出了一个深层的跨模态注意力网络。该网络旨在通过捕获跨模态交互信息来利用实体标签信息。本文提出了两个基本的注意力单元来协同地建模令牌-令牌和标签-令牌的相关性。我们在实体关系基准数据集上的实验结果表明,相比之前方法本文提出的方法性能得到了大幅度提升。