苹果病虫害种类繁多,严重影响苹果生产,有效的防治措施能够促进苹果产业发展。大多数权威的苹果病虫害信息都存储在非结构化文本中,由于缺乏对文本数据的结构化管理,导致防治过程中很多实体关系信息无法获取。为了获取结构化的苹果病虫害关系数据,本文利用关系抽取技术在大量非结构化的苹果病虫害文本中挖掘实体的关系信息,为构建苹果病虫害知识图谱、信息检索平台、智能问答系统等提供结构化数据基础。针对苹果病虫害关系抽取中存在数据集匮乏,苹果病虫害实体间关系类别多样、关系类别分布不均衡,以及现有关系抽取方法在苹果病虫害领域表现不佳等问题,本文构建了苹果病虫害关系抽取数据集和关系抽取模型,主要工作内容如下:（1）构建了苹果病虫害关系抽取数据集。针对苹果病虫害领域中关系抽取数据集匮乏的问题,本文在病虫害领域专家的指导下,收集了《苹果病虫害防治》等七本苹果病虫害领域权威书籍作为数据来源,制定了28个苹果病虫害实体的关系类别,并根据定义的关系类别标注了20060条关系实例,为苹果病虫害关系抽取模型提供数据集。相较农业领域的其他关系抽取数据集,本文构建的数据集实现了苹果病虫害领域关系类别的多样化和细粒度化,能够更加专业合理地指导苹果病虫害防治。（2）提出了融合双通道的注意力机制关系抽取模型。该模型采用了双通道机制,每个通道包含不同的字向量和Bi GRU。不同通道获取相同文本的不同语义特征,将双通道获取的多重语义特征进一步通过注意力机制,提升模型的关系抽取能力。实验证明,该模型相较单通道结构,F1值分别提升了2.61%和1.19%,能够更好地挖掘文本语义。该模型在苹果病虫害数据集上F1值达到94.02%,相较CNN、Bi GRU、Att-BLSTM等基线模型,F1值提高了0.3%~8.81%,且在关系类别分布不均衡的情况下表现更优。（3）提出了融合BERT和实体表征的注意力机制关系抽取模型。该模型使用BERT获取文本的动态字符向量表征和实体向量表征。利用Bi GRU提取字符向量表征的语义特征。在注意力机制输出中引入实体向量表征,增强实体特征对模型的影响,实现关系类别的分类。与当前主流模型CNN、BLSTM、Att-BLSTM、BERT和R-BERT相比,该模型在苹果病虫害数据集上表现最佳,F1值为97.59%,提升了1.77%~12.38%,能够更好地应对细粒度关系分类和关系类别分布不均衡现象,证明了模型的有效性。该模型在公共数据集San Wen和Fin RE上的表现优于对比模型,F1值达到71.29%和50.79%,提升了3.4%~11.87%和0.78%~9.32%,具有一定的泛化性。