随着大数据时代的到来,信息抽取技术成为从海量非结构化文本中获取关键信息的重要手段。同时,近年来,深度学习方法在自然语言处理研究领域获得了广泛关注,在大数据环境下它可以高效地辅助信息抽取技术达成目标。然而,在大部分特定领域(例如医疗领域、生物领域等)中,应用深度学习方法实现信息抽取任务时面临着标注数据稀疏、模型泛化效果差的困境,如何在训练数据不足的情况下缓解这种困境成为当前的一个研究热点。因此,本文主要从命名实体识别和关系抽取两个角度研究了在少量标注数据环境下,应用深度学习方法进行信息抽取的解决方案。基于以上问题和解决目标,本文完成的工作内容包括以下四个方面。首先,针对中文命名实体识别任务,一方面,设计了基于统计的新词发现算法和基于word2vec算法的新词过滤策略,以充分挖掘领域内的专有词汇。另一方面,本文提出了一种新的基于深度学习方法的命名实体识别算法,应用新词发现算法的结果将分词信息集成到双向长短期记忆网络的网格单元中,并引入注意力机制自动关注重要特征,以提高命名实体识别算法在中文领域内的准确率。其次,为了实现在减少数据标注量的前提下,应用深度学习方法完成命名实体识别任务的目标,本文搭建了联合主动学习的命名实体识别框架。从更高效地利用训练集中有价值样本的角度出发,本文设计了命名实体识别算法的迭代训练流程,实现以低标注成本训练高性能模型的目的。然后,本文基于迁移学习的思想,借助领域(源域)标注数据缓解当前训练域(目标域)数据稀疏的问题,提出了基于多对抗生成式网络的关系抽取算法。以卷积神经网络为基础网络结构,利用领域自适应方法,在网络结构中添加多个对抗生成网络层和一个梯度反转层,利用判别器和生成器在实现源域和目标域特征对齐的同时,保证两个域类别之间的对齐。除此以外,在网络结构中引入了权重机制,以控制离群类和负样本产生的负迁移影响,有效地提高了关系抽取算法在训练数据不足情形下的准确率。最后,本文基于提出的命名实体识别和关系抽取算法,将其应用于信息抽取系统进行验证,使用该系统可以满足用户方便快捷的从非结构化文本中获得实体以及实体间的关系信息。本文对该系统的需求进行了全面的分析,基于此设计了系统方案和各个功能模块的详细实现方案,并按照设计方案对系统功能进行了实现。