随着大数据时代的到来,互联网上数据以指数形式增长,其中大部分都是无结构化数据。信息抽取能够将无结构化数据转换为人们易于理解的结构化数据,其中关系抽取是信息抽取比较重要的一环,它也是机器翻译、机器阅读理解等任务的基础工作,具有重要意义。针对一些复杂的文本,目前的关系抽取模型的性能仍然不高,主要原因在于,人工标注可以使用除文本之外的外部知识（如常识或经验）,然而传统的关系抽取只利用了文本信息,无法解决一词多义等常见语言现象带来的问题,从而影响关系抽取的效果。针对上述存在的问题,本文提出将外部知识和文本信息融合的关系抽取方法,借助外部知识信息,来补充词向量的缺陷,完善词汇语义信息,从而提高关系抽取的效果。本文的工作主要包括:1、基于知识库的融合外部知识的关系抽取方法。本文提出基于知识库的融合外部知识的关系抽取方法,针对当前外部知识库如知网（HowNet）包含丰富的信息,使用HowNet中义原信息构建语义常识知识库,该知识库的最小单位是义原,能够有效的缓解一词多义现象带来的问题,同时利用长短时记忆网络（LSTM）将该语义常识知识库融合到模型中,并引入自注意力机制,赋予每个义原不同的权重,能够更好的利用知识库中的外部知识,进一步完善词向量信息。实验证明,融合后的词向量能够更好的表现其语义,对关系抽取有一定的提升作用。2、基于预训练模型的融合外部知识的关系抽取方法。现实中大量无标记的文本信息可以较容易的获取,而且这些文本中包含大量隐含信息,如果可以获得融合这些隐含信息的词向量,模型就可以通过融合后的词向量获得文本中的深层含义。因此,本文将Bert模型和双向门控循环单元网络（BiGRU）结合,将通过预训练模型获得的融合后的词向量作为BiGRU模型的输入的方法,使模型能够获取词汇的隐含含义,再使用注意力机制降低噪音的影响,进一步提高关系抽取的效果,实验证明,基于预训练模型的融合外部知识的方法对关系抽取有一定的提升作用。