得益于近年来信息技术的迅猛发展和可使用数据的爆炸性增长,信息抽取任务成为自然语言处理（Natural Language Processing,NLP）领域中的研究热点。这类任务主要研究如何从海量的数据中快速、准确地获取有用的信息。本文围绕基于span的信息抽取建模方式,针对信息抽取领域常见的三个任务:命名实体识别、实体-关系联合抽取以及使用远监督数据集的实体-关系联合抽取展开了深入研究与探索。命名实体识别任务是后续工作的基础,实体-关系联合抽取和远监督任务都是在命名实体识别任务的基础上进行的。但目前主流的基于序列标注的命名实体识别方法存在一些不足。序列标注模型不符合人类对语言的认知习惯。同时,这种方法产生的抽取结果难以与下游任务结合,这会导致级联误差传递,影响下游任务的性能。针对这些不足,本文提出了一种基于span分类的模型,通过考虑span的整体语义而不是span中每个token的语义来提高命名实体识别任务的性能。此模型被称为span分类模型。实验表明,span分类模型在2012 i2b2数据集上获得了最佳的微观平均F1分数（81.22%）,并获得了与2010 i2b2数据集上的SOTA相当的F1分数（89.25%）。实体-关系联合抽取是目前信息抽取领域研究的前沿。但目前主要的研究集中在对关系表示向量的构筑上,对不同实体表示方法带来的性能影响缺少相关研究。在现有实体-关系联合抽取框架的基础上,本文研究了不同span向量表示方法的性能,并提出了一种基于Bi-LSTM的span向量表示方法。通过结合多种span向量表示方法,在Co NLL04数据集上,命名实体识别取得了89.37%的F1得分,关系抽取取得了72.64%的F1得分。相较于原模型,分别提高了0.43%和1.17%。远监督是一种使用现有知识库,对非结构化文本进行标注,生成数据集的技术。该方法解决了人工标注数据集成本昂贵以及可用数据集不足的问题,但它生成的数据集往往具有大量噪音,影响了实体-关系联合抽取模型的性能。针对这一问题,本文提出了一种名为“group loss”的损失函数,通过引入自适应损失权重,降低数据集中噪音对模型性能的影响。在百度千言数据集上的实验表明,使用了“group loss”的模型相较于使用普通损失函数的模型,性能大幅度提升。