关系抽取是自然语言处理领域中的常见任务,其能够从大量文本中抽取到实体对之间表达的关系,用于诸如知识图谱补全、问答系统等下游任务。其中能够自动生成标注数据的远程监督关系抽取方法逐渐成为研究热点。现有的远程监督关系抽取模型中主要存在以下不足:首先,在远程监督关系抽取任务中很多模型没有对文本上下文信息进行全面的特征抽取;其次,远程监督关系抽取任务中很多模型没有对局部特征和全局特征进行有效融合;第三,大部分模型忽略了关系自身的层级信息以及关系与关系之间的潜在联系,没有对这方面进行深入挖掘;最后,数据集存在的长尾分布问题没有得到足够重视,导致训练出来的模型与真实场景表现存在偏差。针对上述存在的问题,本文开展了深入的研究工作,主要完成的工作如下:1、调研自然语言处理、关系抽取、远程监督等相关领域的科研文献,深入研究现有的远程监督关系抽取算法,分析并总结了现有模型的不足与可改进之处。2、提出了一种基于自注意力门控融合单元的句子级远程监督关系抽取模型（SS-Att）。现有的句子级远程监督关系抽取模型中存在上下文特征抽取不足以及局部特征与全局特征没能有效融合的问题。本文模型融入新的文本特征来增强输入特征的表示,并利用门控单元将自注意力模块与分段池化卷积神经网络结构相结合,在抽取更全面的文本上下文特征的同时,将局部特征与全局特征进行有效融合,得到更丰富的高阶特征,从而提升模型在远程监督关系抽取任务中的效果。3、基于SS-Att模型以及层级关系建模算法,提出一种新的基于自注意力的多标签远程监督关系抽取模型（MLAN-FM）。现有的远程监督关系抽取模型大多是基于单标签进行分类的,而远程监督关系抽取实际上是一个多标签分类任务,本文基于已提出的模型进行适配改进,提出并设计了一种层级关系建模算法,用于对层级关系特征信息进行深入挖掘并对文本语句特征进行关系增强。同时,设计一个新的损失函数,根据数据类别的分布来自适应地调整其在梯度下降时的权重更新情况,从而缓解数据分布不均匀带来的影响,提升其多标签分类任务的精度。4、针对以上提出的两个模型,分别对其在公开的标准数据集上与多种先进的远程监督关系抽取模型进行对比实验并加以分析,在对应指标上取得了更优的效果,通过实验结果验证本文提出的两种模型的有效性。