阅读网络小说作为人们的消遣方式之一,是很多人闲暇时愉悦身心的选择。一本小说需要塑造很多不同角色来推动故事情节的发展,但网络小说篇幅较长,阅读耗时较多,读者记忆不深刻,前后文衔接不上,影响阅读观感。如何应用深度学习技术将其复杂的文本结构转化为清晰明确的结构化信息是本文的主要研究内容。针对以上问题提出命名实体识别模型以及关系抽取模型,更进一步将二者联合建模,解决实体冗余、关系重叠等问题,从而实现网络小说文本的实体关系抽取研究。论文主要研究成果如下:（1）构建基于BERT-Bi LSTM-CRF的网络小说命名实体识别模型为了更好的抽取网络小说文本特征,构建小说文本语料库,提出了基于BERT-Bi LSTM-CRF的命名实体识别模型。通过BERT预训练模型生成动态词向量,提高语义提取和词向量表征效果,BERT微调适应领域任务需求。将得到的向量序列输入Bi LSTM模型对文本序列进行全局特征提取,CRF模型计算出最优化的标签序列。与其他几种算法模型进行对比,验证了本模型在命名实体识别任务上的有效性。（2）构建融合Bi GRU和注意力机制的网络小说实体关系抽取模型针对中文网络小说的实体关系抽取任务,提出融合Bi GRU和注意力机制的网络小说实体关系抽取算法模型。使用Bi GRU模型提取上下文信息可以得到更深层次的语义理解,解决长期记忆的问题,提取文本全局特征。融合字和句子级别的双重注意力机制模型提取句子中不同字符与上下文的关联程度,解决长距离依赖问题,同时自动对不同句子类别赋予特征权重,提升局部特征提取效果,成功挖掘句子中的有效信息。实验结果表明本文模型在网络小说实体关系抽取范畴具有一定效果。（3）构建基于特征增强的网络小说实体关系联合抽取模型相比于流水线方法,联合学习方法利用实体和关系间紧密的交互信息,同时抽取实体并分类实体对的关系,缓解流水线学习错误传播的缺点。本文基于分解策略的思想,提出了基于特征增强的实体关系联合抽取模型。模型在输入层使用BERT预训练模型,融合命名实体特征和词性标注特征得到文本特征信息,通过头实体识别层得到头实体编码向量,和多头注意力机制得到的文本编码信息融合对尾实体及关系的整体识别,获得实体关系抽取的三元组,完成网络小说的实体关系联合抽取实验。与传统的研究方法相比,本文模型性能上有明显的提升。