地理文本数据易获得、规模大,蕴含了大量地理空间知识。然而,传统GIS使用的基于计算几何的地理实体空间关系抽取方法只能对地理空间几何数据进行计算,无法处理地理文本数据。因此,本文研究基于文本语义的地理实体空间关系抽取方法,自动化地将互联网中的非结构化地理文本提取为结构化的地理空间知识。目前,基于语义的空间关系计算方法主要问题包括中文文本一词多义、地理文本语法结构复杂、实体表达抽象、关系语义不明显。针对这些问题,本文结合神经网络和自然语言处理技术,研究基于语义的地理实体空间关系抽取方法,主要工作和创新点如下:（1）分析了传统使用的基于计算几何的空间关系抽取方法在大数据时代下不能利用地理文本数据的问题,研究了基于文本语义的方法,引入神经网络技术对地理文本进行地理实体空间关系抽取。实现了一种基于GRU-ATT的地理实体空间关系抽取方法。该方法使用Word2Vec模型对文本进行词嵌入,选用GRU网络对词向量进行特征抽取,在此基础上添加自注意力机制,加深模型对语义特征的抽取能力,解决了地理文本语法结构复杂、关系语义不明显的问题。实验结果表明,模型在地理文本数据集上测试得到的平均F1值为70.84%,证明了模型的有效性,为后续研究内容提供理论基础。（2）针对深度学习模型效率较低的问题,本文在考虑到部分文本只有单组实体对的前提下,提出基于BERT句语义的空间关系抽取模型。使用语义表征效果最好的BERT句向量模型代替常用的Word2Vec词嵌入模型,通过压缩数据维度的方式提高模型效率。由于BERT模型自带多头自注意力机制和下一句语义预测任务,使模型得到的句语义中特征更加丰富,达到同时提升模型精度和效率的目的。根据对比实验,本模型在地理文本数据集上测试得到的平均F1值为77%,相比GRU-ATT模型F1值提高5%,并且每百句文本的计算效率提高0.67秒。（3）针对中文文本一词多义和地理实体表达抽象的问题,本文在原有的BERT词向量基础上添加词性特征和位置特征,融合形成多特征词向量。通过增加词向量特征数的方式,提高模型对空间关系特征的抽取精度。实验构建相同的神经网络,输入不同特征组合的词向量进行对比。根据结果,使用多特征词向量的模型F1值提高了3.16%,证实了融合多特征的词向量能够提高模型精度。（4）在地理领域中,首创基于多特征BERT-Bi LSTM的地理实体空间关系抽取模型。模型对词嵌入过程进行优化,首次使用语义表达效果优于传统的One-Hot编码与Word2Vec编码的BERT词嵌入模型并融合多特征向量,获得表征能力更强的词向量,解决了解决中文文本一词多义、地理实体表达抽象、关系语义不明显的问题。随后输入到双向长短期记忆网络对语义进行抽取,双向长短期记忆网络的序列结构可以对每个词都进行语义关联,达到加深模型抽取能力的目的,解决了地理文本结构复杂、关系语义不明显的问题。通过实验分析证明,本研究提出的多特征BERT-Bi LSTM空间关系抽取模型在地理数据集测试中,平均F1值达到78%,对比传统的使用Word2Vec向量化和Attention机制的关系抽取模型有较好提升,能够适应地理领域的关系提取。（5）综合前几种基于文本语义的空间关系抽取方法,构建了基于Django+Neo4j的地理实体关系查询展示原型系统。系统后端会定期自动爬取互联网中的文本数据,挖掘地理实体空间关系信息,并存储到图形数据库中。系统前端实现了实体查询、关系查询、关系识别三种用户交互功能,用户可以使用系统对输入的文本进行空间关系抽取,或者在前端搜索相关实体和关系,传输给后端通过查询Neo4j数据库返回三元组对,并以知识图谱的形式进行可视化展示。