实体关系抽取是自然语言处理（Natural Language Processing,NLP）领域中一项最关键的基础任务,要在大量非结构化网络文本数据中自动提取出潜在的复杂语义关系。多标签实体关系抽取则是实体关系抽取中比较复杂的一项任务,是指在包含多个实体的句子中,抽取出多个实体之间的相互关系。在单句多实体中抽取多实体之间的关系比在单句双实体中抽取两个实体之间的关系更加复杂。目前,学者们把大量深度学习网络模型应用于自然语言处理领域中的实体关系抽取任务中,例如一些基于卷积神经网络（Convolutional Neural Network,CNN）的改进模型以及循环神经网络（Recurrent Neural Network,RNN）的改进模型,在实体关系抽取中都取得了不错的效果。但是这些模型只是在单句双实体的关系抽取中取得了不错的效果。由于卷积神经网络模型局部计算以及多标签数据集中关系重叠和特征离散等特点,将此类模型应用于多标签实体关系抽取中,实验结果并不理想。针对以上问题,在多标签实体关系抽取研究中进行以下研究:（1）实验训练数据集为爬取的人文信息领域的批量文本数据,采用了胶囊网络模型来进行特征聚集,并在传统胶囊网络低层胶囊往高层胶囊传递信息的动态路由算法中加入了注意力机制,改进了原有的胶囊网络模型。改进的模型在信息传递过程中,能够更加准确地放大有效特征的传递、缩小甚至忽略无用特征信息的传递。通过对比模型实验结果,验证了改进模型的有效性。（2）为了减小数据集中原始噪声数据对整个模型的影响,增添了一个句子过滤器模型,采用在句子过滤和关系抽取中部分参数共享的联合模型来进行处理。首先对数据集中的噪声数据进行一步过滤降噪处理,然后再在降噪后的数据中完成实体关系抽取。关系抽取任务中采用了改进动态路由算法的胶囊网络模型。两个模型共享模型参数。联合训练在实体关系抽取模型中每一次迭代都会去更新共享参数,然后再作为句子过滤器的输入参数用来选择更好的句子,这样在训练过程中两个模型能够相互影响、相互优化。通过与其他模型进行实验结果对比,验证了联合模型的优越性。