知识图谱是谷歌首先使用在自家搜索引擎中,旨在实现大规模搜索个性化推荐的一项伟大的发明,除此之外,在文本语义理解和知识问答对话问题上也能起到很好的辅助作用。中国农业科学叙词表是诸多农业领域专家共同编写的农业领域百科辞典,适合以它为基础构建农业知识图谱,但这样构建的农业知识图谱只有农作物实体和基本的用、代、属、分、参等关系,并不包含农作物属性。为进一步完善农业知识图谱,需要将农作物属性补充进去。鉴于人工方式费时费力,研究基于文本的大规模自动化属性抽取技术对完善农业知识图谱具有十分重要的意义。本文在根据农业叙词表构建的农业知识图谱基础上,构建了农作物属性抽取数据集,提出并训练了Bert-Bi-LSTM-CRF属性抽取模型,设计和实现了一个农作物属性抽取系统,将文本中的农作物属性和属性值以三元组的形式提取出来补充到农业知识图谱。具体工作如下:（1）构建了农作物属性抽取数据集。数据集以中国农业科学叙词表中收录的农作物实体为主体,使用python爬虫技术从百度百科获取农作物实体对应词条下的农作物属性文本语料,经过数据清洗后使用BIO标注方法,构造了生长环境、实体名、种类、产地、花期、果期和颜色等七种属性标签,在doccano平台上进行数据标注工作。构建的数据集共有农作物实体数据1727条,字符144943个。（2）提出了Bert-Bi-LSTM-CRF农作物属性识别模型。针对训练数据不够和训练时间长的问题,将无监督语料上预训练的Bert嵌入向量作为Bi-LSTM-CRF的输入,提出了农作物属性实体识别的Bert-Bi-LSTM-CRF模型,在农作物属性抽取数据集上微调训练。实验表明模型Bert-Bi-LSTM-CRF的F1值为0.8319,综合对比性能优于Bi-LSTM、CNN-LSTM和Bi-LSTM-CRF三种模型。（3）设计并实现了一个能够自动化抽取农作物属性及其属性值的农作物属性抽取系统。其主要由数据导入和属性抽取两部分组成,通过运行模型Bert-Bi-LSTM-CRF进行推断,以三元组的形式输出农作物、农作物属性和农作物属性值。