关系抽取作为自然语言处理中的重要研究领域之一,旨在发现半结构化与非结构化文本中存在的关系类别信息,在知识图谱的构建、问答系统的搭建和信息检索的优化等多个场景中都有着广阔的应用前景。远程监督研究以现有知识库的三元组信息对标待处理文本,减少人力资源投入的同时亦可获得较好的分类效果,是目前主流的关系抽取手段。然而受其基于的假设影响,生成的训练语料中不可避免地引入了标签噪声,如何减少训练过程中噪声数据对关系抽取任务的影响是现阶段该研究的重点。本文针对该问题展开研究,主要工作内容如下:（1）使用一种基于强化学习的噪声过滤算法,对训练语料中的语句进行选择。通过将训练语料划分成未标记语句集、已标记正例语句集与已标记负例语句集三个部分,尝试将更多的文本信息引入至强化学习策略网络的训练中。通过设计强化学习的相关参数,将基于注意力机制的正例语句集分布式向量表示同基于未标记和已标记正例语句集的类间相似度以作为状态的一部分,奖励函数的设置则额外引入负例语句集的预测概率值,实现利用更多特征训练降噪算法的目的。实验结果表明,本文提出的改进后的强化学习算法确能提升基线模型的训练质量,同时通过多组消融实验的分析,确定不同特征对实验性能提升的影响。（2）使用一种基于多层注意力机制的噪声抑制算法,分别从语句级与语句包级两个层面,减小训练过程中分类器对噪声语句的权重分配,达到抑制噪声的目的。在包向量的训练过程中,通过将关系预测范围由原始的单一关系扩展至所有关系,同时使用贝叶斯后验概率用于权重矩阵的生成,实现权重矩阵对全关系与全句子的双重归一化表示,生成能更准确表示各向量对各关系贡献程度的权重系数。语句包级注意力机制,则是将多个语句包整合为一个包组,以包组为单位获得关系的预测值。针对现有研究未使用统一标准生成相关权重的问题,选定皮尔森相关系数计算包组与关系嵌入矩阵间的相似程度。实验结果表明,本文提出的改进多层注意力机制能优化权重矩阵的生成,提升现有噪声抑制算法的性能。