随着数据量爆炸式的增长,传统的搜索引擎及其查询方式仅能为用户提供碎片化的知识,无法为用户解读不同知识之间的关联,无法构建完整的知识体系,也无法法满足人们日益增长的对网页文本信息及知识捕获的需求。在此背景下,知识图谱应运而生。知识图谱作为人工智能的重要分支,对人工智能有着极其重要的作用。近年来,伴随着知识表示、机器学习等科学技术的飞速发展,知识图谱的诸多技术获得了突破性进展,特别是在知识图谱构建、推理、计算以及服务技术等方面,都取得了令人瞩目的成绩。现阶段,知识图谱已经在工业界得到了广泛的关注,取得了显著成果。许多互联网公司巨头（如:谷歌、微软、百度等）等都率先启动了通用知识库的构建,应用这些知识库提供语义搜索,以期让搜索引擎能更准确地理解用户查询。网络新闻文本已呈现爆炸式的增长态势,传统的搜索和查询方式已经无法满足社会对互联网公开新闻数据的处理和应用要求。知识图谱在查询精度和查询可扩展性两方面有着巨大的优势,在多个领域已取得了瞩目的成绩。然而,目前已有知识图谱大多都是通用知识图谱,新闻领域的知识图谱并没有得到很好的构建。构建一个面向互联网公开的新闻文本信息的知识图谱,将知识图谱应用到新闻文本中有着意义重大。本文主要做了以下四个方面的工作:（1）面向新闻文本的领域本体构建方法研究与应用。在面向网络新闻文本的领域本体构建任务中,本文提出了一种基于模式设计的领域本体构建方法。本章应用所提出的方法,面向舰船领域新闻文本,构建了一个舰船新闻领域本体,从而验证了该方法的有效性。（2）基于Seq2seq框架的细粒度命名实体识别研究。在面向新闻语料的实体抽取任务中,本文提出了一种基于Seq2seq框架的FSeq C模型,该模型的编码层为Bi-LSTM模型,解码层为LSTM模型。为进一步提高模型性能,该模型还使用了自注意力机制和CRF模型。（3）基于标签生成的知识三元组联合抽取方法研究。在面向新闻语料的实体关系联合抽取任务中,本文提出了一个端到端的标签生成框架BERT-Bi LSTM-CRF,并将框架用于联合的知识三元组抽取。本文设计了一种三段式标签方案,将分词所属的实体和关系信息融合进标签,根据标签信息组合得到知识三元组。从而使抽取问题完全转化为标签生成问题,实现真正的联合抽取。本文引入BERT作为词向量生成的预训练模型,并结合了BERT下游的标签生成模型进行了Fine-Tuning训练。通过在真实数据集上进行实验,并与不同的标注模型进行对比,BERT-Bi LSTM-CRF在知识三元组抽取任务中的表现超过了其他同类算法,取得了最优的效果。（4）基于实体知识扩展的新闻文本分类方法研究。本文面向新闻文本分类任务,开展了基于实体知识扩展的新闻文本分类方法研究。本文针对中文新闻标题分类任务,首先利用知识图谱扩展新闻标题中命名实体的语义信息,然后采用基于H-CNN的分类模型,完成新闻文本分类任务。总之,通过本文提出的知识图谱构建技术及其应用,为面向新闻文本的非结构化知识图谱构建和应用提供了一些可行的解决方法和技术方案。