在如今的信息化时代,人们每天获取的信息大都来源于网络,但对用户有用的信息却分散在夹杂着噪声数据的网页中。因此,如何从海量的噪声数据中提取到对用户有用的数据受到更多专家学者的关注。而实体关系抽取任务的目标就是将文本中已经标注的实体进行关系提取,从而获得知识之间的关联。常用的实体关系抽取方法是使用单个神经网络进行特征提取,但该方法只能关注特征信息的某一方面,且性能不太稳定;再者最短依赖路径在实体关系抽取任务中已经取得一定的效果,但其只关注到句子中对实体间的关系有重要作用的成分,不能充分的获取到实体的上下文特征信息。本文围绕实体关系抽取研究中存在的上述两个问题开展了如下两方面的工作:1.针对单个神经网络只能关注到句子的某一方面特征,且在不同的输入条件下表现出不同结果的问题,提出一种基于集成学习方法的实体关系抽取模型。该模型利用集成学习的思想将两个弱分类器CNN和Bi-LSTM集成到MLP的强分类器中形成一个综合模型,该综合模型不仅可以充分利用CNN和Bi-LSTM分别对局部特征信息和全局特征信息高度关注的优势,而且可以利用MLP的自学习能力和自动分配权重的优势,提高关系分类性能。本模型在不添加其他额外特征信息的情况下取得的F1值为87.7%。2.最短依赖路径方法主要关注句子中对实体词有重要关系的成分,忽略了实体词的上下文特征信息,因此本文提出一种增强依赖路径的方法进行实体关系抽取研究。该方法主要利用Tree-LSTM为最短依赖路径上的单词构建其依赖子树,使后续模型不仅可以关注到对实体词有重要作用的单词,更可以为依赖路径上的单词提供其依赖子树,充分获得单词的上下文信息。与其他主流关系抽取模型相比,本模型取得了88.79%的效果。为将上述研究内容方便应用于实际场景中,本文设计开发了一个实体关系抽取的原型系统。