信息抽取旨在从文本中提取出特定的事实信息,用于构造结构化数据,作为自然语言处理主要的研究方向之一,包括命名实体识别、关系抽取和事件抽取三个子任务。目前,基于深度学习的信息抽取已经取得了一些研究成果。但是,现有的中文信息抽取方法大都基于词向量表示进行模型的改进,而忽略了文本表示的重要性。同时,以词向量作输入的模型高度依赖于分词工具的质量且中文还存在多义性的问题。为此,本文从语言学角度分析了中文文本的向量表示,基于深度学习的方法对中文文本的关系抽取和事件抽取进行研究,提出了一个实体关系抽取模型和一个紧急事件抽取模型。主要研究工作如下:（1）针对汉语的复杂结构,我们研究了中文语义的字、词向量表示和一些能表征中文句法结构的向量表示,说明了每个特征向量对中文文本表示的作用。同时,介绍了一个新的外部语言知识实体义项,将其应用到关系抽取任务中,为每个中文句子中标记的实体提供支撑信息以降低多义性的干扰。提出了实体义项的获取方法,并通过对比实验确定将余弦相似度算法用于选择精确的实体义项,将其作为额外的特征向量,添加到中文文本表示中。（2）针对中文分词错误和多义性的问题,我们以字向量表示和实体义项表示构成输入三元组,在此基础上提出了一个字、词、义项多种特征融合的中文实体关系抽取模型。分别构造了四个子模型:基于双向长短时记忆网络附加注意力机制（Att-BLSTM）捕获字符级特征,基于Att-BLSTM添加卷积神经网络（C-Att-BLSTM）捕获词级特征,基于Att-BLSTM捕获实体e1和实体e2义项特征。通过特征向量级联和线性加权求和的方式融合这三种不同级别的特征,得到的结果输入到softmax中进行关系分类。构建的基于实体义项的字、词多特征融合模型在公开的San Wen数据集上获得了最优性能,同时进行多组消融实验证明了每个特征的有效性以及多特征融合的优越性。（3）针对紧急事件的抽取有助于提高人们对危险环境变化做出反应的能力,具有较高的研究价值。因此,我们以字向量表示和词向量表示作输入,在此基础上提出了一个网格长短时记忆网络-条件随机场（Lattice LSTM-CRF）中文紧急事件抽取模型。对XML格式的中文紧急事件报道进行预处理得到事件句子,用BIO标注模式处理事件句子得到字符序列和实际标签序列。通过Word2Vec对事件句子进行字向量嵌入和词向量嵌入,在字向量输入的细胞元上构造Lattice LSTM添加存在的词向量信息,而后使用CRF捕获相邻字符间的依赖性,最后输出标签序列。在公开的CEC语料上通过实验证明该模型整体性能优于其他最新方法,并进一步研究了外部语义特征的影响,事实证明我们的模型基于简单字、词向量表示即可获得最佳结果。