随着互联网信息技术的发展,网络媒体、社交帐户每天都会产生大量文本数据,这些文本数据蕴含着巨大的价值。信息抽取技术（Information Extraction,IE）能够从这些文本中挖掘有用信息。本文主要研究信息抽取技术的子任务实体关系抽取（Relation Extraction,RE）技术。该任务旨在从非结构化文本数据中抽取蕴含的实体语义关系,从而将大量非结构化数据转化成易存储、易分析的结构化数据,该技术广泛应用于知识图谱、自动问答、搜索引擎等人工智能领域。目前,RE技术主要基于深度学习技术,分为有监督关系抽取、远程监督关系抽取等任务。深度学习技术利用神经网络模型自动抽取文本特征,如何让神经网络模型充分挖掘文本语义信息是深度学习技术的一个难点。有监督关系抽取任务需要大量训练数据作为支撑,这些数据通常需要耗费大量人力进行人工标注。远程监督关系抽取有效地改善了这一问题,通过利用远程知识库（Knowledge Base,KB）,将非结构化文本中实体对与KB存有的三元组数据对齐,进行自动标注从而获得大量训练数据。然而由于实体之间关系的不确定性,远程监督引入了噪声数据。如何抑制噪声成为了 RE技术需要解决的难题。本文研究了 RE技术的基础理论和发展,国内外现状,以及卷积神经网络、生成对抗网络等深度学习技术。针对深度学习模型和抑制噪声两个方面进行了深入研究。本文的主要内容和贡献包括以下三个方面:（1）提出了一种基于位置注意力的长短期记忆神经网络（Position Attention Long Short-Term Memory Neural Network,PALSTM）。以往的深度学习模型忽略了文本中实体位置对于实体关系的重要性,使其难以充分挖掘实体上下文语义。PALSTM根据文本中每个单词相对实体的位置,基于注意力机制为每个单词分配不同的权重,通过为词向量分配注意力权重系数得到文本的向量表示。实验表明,该方法能够有效挖掘文本中实体上下文语义信息,以及各个单词对于实体的相对距离信息,从而提升关系抽取能力,在中长距离实体关系抽取中比其他模型取得了更好的准确率。（2）提出了一种基于分段卷积神经网络的生成对抗网络（Piecewise Convolution Neural Network—Generative Adversarial Network,PGAN）的模型。针对有监督关系抽取缺乏训练数据以及远程监督噪声问题,本文提出了一种启发式算法,用人工标注的训练数据替代远程知识库,自动标注无标签数据。通过启发式算法标注的噪声数据用于PGAN的对抗训练。PGAN基于PCNN编码器,通过分段卷积网络抽取句子特征。其主要包含一个生成模型和一个判别模型,生成模型为基于PCNN编码器的感知机,能够从自动标注的数据中筛选掉噪声数据。判别模型为基于PCNN编码器的关系抽取分类器,提高了抗噪声能力和关系抽取能力。实验表明基于SemEval-2010 Task 8数据集和NYT数据集,PGAN的生成模型能够有效的过滤噪声数据,判别模型优于PCNN、R-BERT等其他关系抽取模型,F1值达到 89.61%。（3）实现了一个基于上述技术的实体关系抽取系统。针对用户输入的文本数据,系统提供实体关系抽取功能。该系统主要包括数据层,模型层和可视化层。数据层基于图数据库Neo4j进行存储,Neo4j能够存储关系抽取得到的三元组数据,并提供查询功能。模型层由PALSTM和PGAN构成提供关系抽取算法。可视化层基于Django框架实现,对系统功能和数据库中存储的三元组数据查询功能做可视化展示。