如何从海量的互联网数据中提取出实体关系是信息抽取亟待解决的问题之一。关系抽取包括句内关系抽取和文档级别关系抽取。在文档级别的关系抽取任务中,输入文本序列长且由多句话组成,同时实体往往位于不同句子中,因此需要多句子共同推理才能得出实体对之间的关系。相比句内关系抽取,文档级别关系抽取面临诸多挑战,如文本特征提取不充分、跨句推理能力不足等。对此,研发了融合多维度与上下文特征的关系抽取系统。在该系统中,针对文本特征提取不充分的问题,分别从低维特征层面和高维特征层面出发,设计了融合低维特征与高维特征的图卷积网络模型。在低维特征层面上,提出融合依赖树剪枝与实体边表示的上下文特征抽取方法。在此方法中,为提取文本的语义特征,设计基于实体多次提及表示的文档编码方法;为提高对关键信息的识别率,对依赖树剪枝算法进行优化,以提取文本的句法结构信息;在进行关系抽取时,不仅考虑实体信息,还融合实体边的表示,以提高模型的跨句推理能力。在高维特征层面上,设计了基于多头自注意力机制的多维度特征抽取方法。通过该方法提取文本在不同子空间中的高维度特征,并对图的邻接矩阵进行加权归一化优化,调和依赖边的贡献度,以提高图卷积网络模型的性能。为了验证上述方法的有效性,模型在公开的跨句关系抽取数据集Doc RED上进行了实验,F1值相比当下的基线（Baseline）模型在验证集和测试集上分别有4.15%～13.76%和3.69%～14.07%的提升。