关系抽取指从非结构化文本中抽取出实体间的关系,是自然语言处理中重要的研究方向。在深度学习时代,监督学习下的关系抽取模型已经取得很高的准确度,但其要求大量带标注的训练语料,然而在现实世界中关系种类繁多,文本数据复杂,提供大量的带标签的训练数据需要耗费巨大的人力。针对以上问题,远程监督的思想被提出,它基于一个假设,如果知识库中存在两个实体表达了某种特定关系,那么语料中所有含有这两个实体的句子都表达了这种关系。远程监督关系抽取通常采用多示例学习的框架,其定义了包,把具有相同实体对的句子分配到同一个包,并标上相同的关系,远程监督下关系抽取的目的是预测出每个包所含的关系。尽管远程监督能自动地为非结构文本打上标签作为关系抽取的训练数据,但是也会带来两个问题,分别是错误标注问题和长尾关系问题。针对远程监督下关系抽取的两个问题,本文创新性地提出利用关系固有的层级信息,建立层次关系抽取模型To HRE（A Top-Down Classification Strategy for Hierarchical Relation Extraction）,模型包括两个部分,分别是包的分层表示策略和自上而下的层次关系抽取策略,有效地提高关系抽取准确率。本文主要贡献包括:（1）提出一种包的分层表示策略,利用实体感知的文本嵌入式表示方法,加强文本表示中实体的信息,提高关系抽取准确性,通过分段卷积神经网络,根据实体对的位置对句子分割并进行分段池化,加强文本的特征抽取,并采用分层注意力机制,学习不同关系层级的句子权重,获得到包在不同关系层级上的表示,为层次关系抽取奠定基础;（2）提出了一种自上而下的层次关系抽取策略,通过利用融合局部标签信息的包表示模型和基于标签匹配模型的局部关系抽取技术,来实现分类器参数共享并进行层次关系抽取,此策略能够使不同层次的关系抽取都利用同样的参数,大大减少了关系分类器的数量,克服已有层次分类模型需要对每种关系分别构建不同的关系分器,而造成的模型过于复杂的问题;（3）提出的层次关系抽取策略在远程监督下经典的数据集NYT-10上做了充分的实验,显示在关系抽取精准率指标上,在本文所提出关系抽取方法比目前已知最好的模型提高了4%;在长尾关系准确率指标上,本文比目前已知最好模型提高了27.6%。实验结果表明本文所提出的远程监督下层次关系抽取方法能够有效的解决错误标注和长尾关系问题,提高关系抽取的准确率。