现实中的重要信息大量地以非结构化的文本形式呈现,难以被直接利用。在非结构化文本的结构化处理当中,实体关系抽取是一项关键任务。有监督的实体关系抽取依赖于成本极高的标注数据,而弱监督学习方法通过利用较为容易取得的知识库数据为实体关系句子自动标注,可以有效地缓解人工标注带来的高昂成本。弱监督的实体抽取中存在错误标注以及关系重叠的问题,针对这些问题,本文涉及的主要工作有:设计了基于深度神经网络的端到端学习方式进行关系抽取以取代特征工程。传统的人工特征设计难以覆盖真实的样本空间,且其依赖的自然语言处理工具所产生的错误将造成噪声传播。端到端的神经网络避免了人工特征的这些限制。针对弱监督学习的误标注噪声设计了层次注意力神经网络,并针对标签重叠问题设计了多标签联合学习的方法。本文通过具有层次注意力的多示例学习降低误标注样本在学习中的权重以消除噪声影响,且通过对关系类别间的关系建模,进一步提高了模型性能。设计了一种全局优化的序列标注模型实现了弱监督的实体及关系联合抽取。该方法比传统上将这两项任务分别独立开展更具效率,且通过联合的学习提高了性能。