随着现代信息技术的快速发展,网络中的文本数据不断增加,这些文本中通常蕴含着丰富的有效信息可以供人们加以利用,但这些数据往往是非结构化或半结构化的,不能直接使用。为了从这些原始数据中获取结构化的、容易理解的、可直接使用的信息,信息抽取任务应运而生。命名实体识别和实体关系抽取作为信息抽取的两个基本子任务,对构建领域知识图谱、优化机器翻译和建立智能问答系统等具有重要的价值和意义。传统的实体识别和关系抽取研究大多基于规则、统计和机器学习等方法,这些方法对于灵活多变的现代文本数据往往并不适用,为了提高对文本数据实体识别和关系抽取的灵活性和准确性,本文基于深度学习框架和传统基础模型作了如下工作:（1）针对领域语料的特殊性,通过对数据集中每个字构成实体的概率统计特征进行研究,提出了融合注意力机制和统计特征的实体识别模型。实验结果表明,提出的模型在领域性语料数据集上表现出很好的适用性和有效性,相较于BiLSTM-AttentionCRF在召回率上有显著的提高,F值达到了85.41%。（2）针对Transformer模型在中文命名实体识别任务中出现的词向量信息损失、位置信息丢失和方向信息缺失的问题改进原模型结构,提出了一种基于Transformer编码器和BiLSTM的中文命名实体识别方法,对Embedding层和Position Encoding层数据信息在同维度上拼接,避免了词向量的损失和位置信息的丢失,同时引入RNN结构的BiLSTM网络层解决了方向信息缺失的问题,显著提升了模型效果。实验结果表明,该方法在MSRA数据集和唐卡数据集上的F1值分别达到了81.39%和88.35%,有效提升了中文命名实体识别的效果。（3）针对传统注意力机制计算关注范围过大和远程监督的噪声数据问题,提出了基于局部注意力机制和本地远程监督的关系抽取模型。局部注意力机制通过滑动窗口进行注意力计算缩小关注范围,同时基于本地数据建立知识库在一定程度上减少了输入数据中的噪声数据比例。该模型在唐卡数据集上F1值达到了53.07%,在百度数据集上F1值达到了81.49%。