飞行控制系统结构复杂,状态变量多且耦合性强,在工作过程中有较多干扰变量,难以建立精确的解析模型。而飞行控制系统的领域知识多存在于非结构化的文本信息中,因此构建飞行控制系统图结构化模型具有深远的意义。飞行控制系统实体与关系识别是构建图结构化模型的核心工作。本文以非结构化的飞行控制系统文本信息为研究对象,深入分析实体以及实体关系的特点,提出基于注意力机制的实体识别和实体关系识别算法,用于自动获取实体与关系,构建实体关系图模型。首先,根据飞行控制系统实体类型复杂多样,实体结构错综复杂的特点,设计出一种基于径向基函数注意力（Radial Basis Function Attention,RBF-attention）的双向长短期记忆网络-条件随机场（Bidirectional Long-Short Term Memory-Conditional Random Filed,Bi LSTM-CRF）模型用于自动获取非序列化文本信息中的实体信息。该模型利用Bi LSTM网络提取序列上下文特征,采用RBF-attention充分利用序列中实体单词的相对位置信息,并调整实体特征在语义空间中的位置分布。该方法可根据不同特征之间的相似度完成权重分配,突出重要特征,减小冗余信息的影响,并输出包含更多语义特征的向量用于实体标签识别。同时实验表明该方法能从文本信息中有效提取实体信息,证明该方法的有效性。然后,结合飞行控制系统文本描述信息中所包含的实体及其位置信息,提出了一种基于门控自注意力（Gated Self-attention）的BiLSTM模型用于实体关系识别。此方法融合序列单词的词特征和位置特征,共同作为Bi LSTM特征提取网络的输入信息,有效提取序列上下文语义特征。Gated Self-attention网络能有效组合序列上下文语义特征和实体自身特征,并通过优化序列语义特征减小无关信息的影响。同时根据权重信息突出实体间的联系便于识别实体关系类别。并且在多个数据集上开展实验,展示模型识别性能,完成实体关系分类任务。最后,结合飞行控制系统实体集合和实体之间的关系类别构建飞行控制系统实体关系图,简明清晰地展现飞行控制系统领域知识,为后续系统维修和故障定位提供强有力的理论支撑。