近年来,命名实体识别（Named Entity Recognition,NER）和实体的关系抽取（Relation Extraction,RE）都已经成为自然语言处理（Natural Language Processing,NLP）领域的研究热点,也是知识图谱构建（Knowledge Graph,KG）的关键任务。命名实体识别用于从自由文本中识别出相应的实体,关系抽取旨在从文本语料库中提取两个实体之间的关系。随着中文命名实体识别和关系抽取研究的深入,在这两个任务中存在着诸多问题:（1）NER任务中常用的序列建模层网络双向长短期记忆网络（Long Short-Term Memory,LSTM）因其网络结构复杂速度较慢且缺乏可并行性。（2）基于双向编码器表示的Transformers（Bidirectional Encoder Representation from Transformers,BERT）模型解决了Word2vec等静态词向量不能解决的“一词多义”问题,但是其静态掩码的方式使预训练产生的语义表示仅仅是字级别,缺失词级特征。（3）在字符级别NER任务融合词义等信息是近年来研究的重点之一,但如何有效地对字词向量融合、在使用词汇信息的同时减少分词错误的影响也是一大难点。（4）简单的注意力机制对RE任务的性能提升有限,如何更好地利用注意力机制也是需要研究的方向。因此,本文主要研究通用领域下中文实体识别和中文关系抽取,分别用于改进NER任务和RE任务的效率。本文的主要研究工作如下:（1）在中文命名实体识别任务中,提出了一种融合动态掩码预训练与膨胀卷积网络的实体识别模型。首先,为了丰富句法语义信息,在预训练阶段引入基于动态掩码的Ro BERTa模型,动态掩码的训练机制能更好地对文本中的词义语义信息进行表示;此外,通过字在上下文中能形成的词向量对字向量进行增强,也利用了分词信息。其次,为了提高特征提取效率,在序列建模层引入膨胀卷积网络,改进传统LSTM网络结构复杂影响速度等问题,并遵循混合膨胀卷积的设计思想避免网格效应的产生。实验表明,设计的模型在MSRA和人民日报数据集的识别率上相比基线模型均有提升。（2）在中文关系抽取任务中,提出了一种联合词级-句子级双层注意力机制的中文关系抽取模型。首先,考虑到关系抽取任务中实体词携带了相关信息,为了使词嵌入层包含实体信息,模型在该层将两个实体的位置信息引入用于丰富语义表示;其次,为了获取文本中更重要的句子特征以及句子中更重要的词特征,模型引入了词级和句子级双层注意力机制用于特征提取,使最终生成的向量更好地表示文本信息。实验表明,设计的模型在指定数据集上具有优于基线模型的效果。