随着互联网技术的飞速发展,充斥在网络中的文本数据也呈现出爆炸增长趋势,而这些文本数据绝大部分都以非结构化的形式存储,使得人们无法直接对其进行有价值的利用,信息抽取技术可以从这些非结构化的海量文本中抽取出有价值的信息,如关系信息、事件信息等,并将之转化为结构化信息进行存储,其结果可以应用到智能问答、知识库构建等诸多领域。作为信息抽取中核心任务的关系抽取具有非常重要的研究意义与应用前景,且近些年来一直都是NLP领域的热点研究技术。随着深度学习技术的快速发展,诸多研究者将深度学习技术应用于多种NLP任务中,并取得了非常好的效果,深度神经网络具有强大的特征学习能力,同时可以避免传统方法中耗时的人工定义特征步骤,本文将深度学习技术引入到中文人物关系抽取任务的研究中,主要的研究内容如下:(1)针对目前中文人物关系抽取任务中标准语料库匮乏的问题,本文研究通过远程监督的方法将中文知识库“百度百科”与自由新闻文本进行匹配对齐来自动生成丰富的标注数据集,以供后续实验使用。(2)对关系抽取任务中最常用的卷积神经网络类模型和循环神经网络类模型进行研究,发现尽管两类不同的网络模型在关系抽取任务中都有着不错的表现,但是两种神经网络模型在特征学习方面都具有一定的优势和局限性,对此本文提出一种基于卷积循环神经网络的人物关系抽取模型,将PCNN和双向GRU网络结合起来,既具有卷积神经网络提取局部重要特征的能力,又具备循环神经网络擅长处理序列任务的优点,实验结果证明,本文提出的卷积循环神经网络模型相较于单一的卷积神经网络模型、循环神经网络模型取得了更好的人物关系抽取效果。(3)对于远程监督中存在的错误标注问题,本文选择在模型中引入句子级别的注意力机制,通过对不同置信度的句子赋予不同的注意力权重来减少噪声数据带来的影响,注意力机制的引入使神经网络能够学习到更准确、更丰富的特征信息,实验结果表明,加入注意力机制使模型的F1值提高了约3.5%。