随着信息时代的发展，人们越来越多的通过互联网来交流和发布信息，因此互联网上蕴含了大量的知识，但是这些知识大多以文本的形式存在，机器无法直接进行处理，如何将文本中的信息转换为结构化知识，成为自然语言处理领域的一个研究热点，其中一个很重要的方向就是关系抽取。　　传统的关系抽取方法依赖于人工提取大量的特征，随着深度学习的不断发展，越来越多的学者尝试用深度学习来解决关系抽取问题，其中包括循环神经网络、卷积神经网络以及递归神经网络等，这些深度模型可以识别句子中的复杂特征，同时避免了耗时的特征工程，取得了非常好的效果。　　本文在目前研究的基础上，提出了两种基于深度学习的关系抽取方法，一种是将双向循环神经网络与注意力机制相结合，同时加入浅层句法特征以及实体相关特征，优化抽取效果。另一种是使用卷积神经网络，分别在词语层面和字符层面对句子特征进行抽取，将二者结合进行最终的预测，弥补了中文分词不准确的问题。由于目前大部分研究都是在英文数据集上进行的，中文数据集比较匮乏，本文使用关联交易数据，生成了一个针对上市公司公告文本的中文关系分类数据集，并在该数据集上进行了实验比较。　　最后，本文对DeepDive关系抽取工具进行二次开发，在其原有算法的基础上，加入数据增量处理以及基于深度学习的训练、预测模块，使其成为一个更加完善的关系抽取工具。