信息时代的急速发展使得人们在互联网上存储及运用的文本数据规模急剧增加。为了从海量的文本中发现目标信息,信息抽取技术应运而生。作为信息抽取领域重要的研究课题,针对实体关系抽取的研究,其根本目的在于从半结构文本或非结构文本中发现实体之间的语义关系,以便人们快速的理解复杂文本中的隐藏信息。具有较强的研究价值和研究意义。本文主要研究了在远程监督数据集上的关系抽取任务的实现,基于深度学习技术与远程监督思想提出了一种新的实体关系抽取方法。针对远程监督数据的特点,在总结现有的研究基础上,本文分别从实体关系特征提取和抑制噪音数据影响两个方面开展研究。在实体关系特征提取方面,以往的关系抽取研究中深度学习模型通常只包含浅层卷积神经网络结构,设计的模型只能提取到浅层的语义信息,因此本文从网络深度的角度出发,通过引入深度残差网络技术以提取更高层的特征语义信息使模型可以学习到更丰富的关系特征,设计了多层网络模型实验以探索更适合的模型深度;在抑制噪音数据影响方面,现有的研究偏重于引入句法结构等信息,需要大量的专家知识,而本文从句子信息对目标关系的重要性角度出发,在池化层引入注意力机制用以自动捕捉更加关键的特征信息从而降低噪音信息的影响,通过Attention Pooling模型实验验证结果。最后结合两种算法的优点提出了一种新的模型结构。综上,本文结合注意力机制和深度残差网络设计了一种新的深度学习模型ARCNN。实验结果显示,相比几种经典的远程监督关系抽取模型,本文的模型一方面可以有效地减轻远程监督数据中的噪音影响,另一方面可学习到远程监督数据中包含的更抽象的高层关系语义特征,最终较为精准的发现复杂文本中的实体语义关系。