在信息爆炸的时代背景下,大量重复冗余的信息充斥人们的生活,如何从众多无结构或半结构的信息里提取出高质量且精准的信息是信息抽取任务快速发展的原因之一。信息抽取在问答系统、数字图书馆等任务中都有广泛应用,实体关系抽取是其重要的子任务之一。传统和基于深度学习的实体关系抽取方法已经在实际应用中取得了较高的准确率,但其主要集中在特定领域,在面对不容易获得大规模监督训练数据集的实体关系抽取任务时,传统方法逐渐无法达到期望效果。因此本文通过小样本学习方法为资源匮乏条件下的实体关系抽取问题提供新的思路。目前小样本学习研究主要集中在图像领域,针对实体关系抽取问题中文本的多样性,本文提出了融合自注意力机制的原型网络模型,用于解决文本小样本学习的过拟合问题和噪声影响。1)本文使用原型网络（Prototypical Networks）突出解决了数据资源匮乏的实体关系抽取问题,原型网络模型鼓励从以前的经验中学习快速学习的能力,并迅速推广到新的领域。原型网络在图像小样本任务中已取得不错的结果。与普通原型网络类似,本文采用CNN神经网络将所有的实例嵌入到支持集中,通过句子级注意力机制计算实例权重并以此为依据计算每个关系的原型,最后与特征级注意力分数、峭度因子相结合,通过测量查询实例（query）与关系原型之间的标准化欧式距离,对查询实例进行分类。2)本文提出融合自注意力机制（Self-attention）的原型网络,将多头自注意力机制融入模型预训练过程中,突出语句中的关键特征信息。针对文本小样本学习中支持集小噪声可能引起关系原型巨大偏差的问题。自注意力机制有效剔除了数据集中的偏移点,使模型学习有所侧重。自注意力机制的加入也有效减轻了噪声的影响,突出了语句中关键的特征信息和特征空间中的重要维度,增加了模型的准确性和鲁棒性。论文实验部分在Fewrel数据集上对包括基线模型在内的8个模型进行对比实验,验证了本文提出的融合自注意力机制的实体关系抽取模型的有效性,通过融入自注意力机制对模型预训练部分优化后的模型与其他模型相比在实体关系抽取任务上的准确率更高。