互联网技术的高速发展产生了海量的数据,其中以文本形式存在的网络数据是信息抽取领域和自然语言处理领域研究的重点。作为上述领域的任务之一,语义关系抽取已成为广泛关注的热点。关系抽取的研究有助于其他文本类型任务的发展,如文本蕴含、智能问答、信息抽取、知识图谱、信息检索等。目前,深度学习方法在关系抽取任务中取得了一定的成效。相比于传统机器学习方法,深度学习能够依据任务类型自动地从文本中学习相关特征。然而,现有的神经网络关系抽取模型仍然存在一些问题。在监督学习方法中,基于RNN（Recurrent Neural Network）的关系抽取模型仅使用单层结构,缺乏对多层网络结构的探索和丰富特征的提取能力;尽管多数模型引入注意力机制来关注重要的特征,但这些注意力模型往往使用单头机制,不足以捕获句子中的细粒度信息;而基于RNN的胶囊网络模型依然存在噪声过滤不充分的问题,使得网络的计算复杂度较高。因此,本文提出了基于双多头注意力的胶囊网络关系抽取模型。在该模型中,本文对RNN类型的特征编码器的多层结构进行了探索和改进,构造辅助BGRU（Bidirectional Gated Recurrent Unit）网络以抽取更丰富的词级特征;同时引入了双层的多头机制到注意力模型中,以更全面地关注细粒度特征;此外,本文改进了胶囊的实例化方式,减少了噪声并降低了运算开销。对比实验表明该模型能够有效地提升关系抽取的效果,消融实验进一步验证了上述三类改进的有效性。在远程监督关系抽取中,现有的关系抽取模型对外部信息的利用低效,或出现过度依赖性,忽略了预训练实体对间隐含的潜在语义关系。这些模型仅仅将实体和句子其他相关成分编码为向量,该方式混合了大量噪声,弱化了潜在语义关系。因此,本文提出了实体和实体类型增强的胶囊网络远程监督关系抽取模型。该模型利用预训练的实体对构造实体监督器,以增强模型决策时实体对间的潜在语义关系;并使用外部的实体对的类别信息进行动态融合,构造了动态双多头注意力来充分利用外部信息。实验结果表明实体监督器和动态双多头注意力都能够提升远程监督关系抽取的性能,并在该任务上取得了最佳的效果。