互联网技术快速发展带动了网络信息的爆发增长,如何从大量的无结构信息中快速、准确的获得用户所需信息是当前急需解决的问题,因此信息抽取技术变的越来越重要,信息抽取技术包括命名实体识别、实体关系抽取等子任务,其能够作为自然语言处理问题中的许多任务的基础(如构建知识图谱和本体知识库、信息检索、智能问答系统)。实体关系抽取从基于规则的实体抽取方法到机器学习的实体关系抽取方法。基于规则实体关系抽取需要大量的领域知识去建立关系规则。随着机器学习的兴起,基于特征向量和基于核函数的实体抽取方法逐渐被应用,但是基于特征向量的方法需借助NLP工具进行特征的构建。基于核函数的方法需设计相对应的核函数。但是构建特征向量或构建核函数是费时费力的过程。并且特征的好坏直接影响着最终的分类效果,使用NLP工具的时候存在错误传播过程。基于上述方法的不足,深度学习方法可以从语料集中自动的抽取特征,减少了对NLP工具的依赖,不需要大量领域专家的介入就能充分利用文本的信息。基于此,本文采用卷积神经网络模型进行实体关系抽取,首先在实体关系抽取中为了让卷积神经网络能够抽取到充分的句子语义信息,利用多头自注意力机制对本文的输入进行计算,通过多头自注意力机制对句子中词两两进行相关性计算,最终得到新的词的表达,使得本文的输入词向量在输入卷积神经网络模型之前就能够具有更加丰富的上下文语义信息,在本文模型中将词的位置向量特征在注意力计算之后和词的新的表示进行融合,间接的保证了句子的时序信息。同时在卷积神经网络模型中采用了多尺寸卷积核的操作,同单一固定尺寸的卷积核相比,多尺寸卷积核能够提取到更多的文本信息,弥补了单一固定尺寸卷积核对特征提取的不足。在中文实体关系抽取中,由于中文数据集匮乏和中文语言的复杂性、特殊性等原因在此方面的研究较少,本文用一个中文人物关系数据集,同时使用word2vec词向量技术通过搜狗新闻语料来训练词向量,最终在本文模型在进行验证。实验证明,本文模型对于中文和英文实体关系抽取效果都有提升。