伴随着信息革命所带来的技术变革,人类社会所产生的信息规模正经历着爆炸式的增长和传播。然而,面对海量信息的涌入,互联网中的高质量信息被淹没在了信息洪流当中,人们越来越难以与外部世界进行有效的信息交换。因此,如何从海量的互联网资源对目标信息进行高效的挖掘与检索成为了当前亟待解决的关键问题。而作为信息检索过程中的关键环节,信息抽取技术扮演着重要的角色,引起了当前学术界和工业界的广泛关注。关系抽取作为信息抽取领域的一项关键任务,一直是当前研究的热点问题。现有的关系抽取方法受限于对大规模标注数据的依赖,往往难以实际落地。为了解决这一问题,远程监督关系抽取方法应运而生。远程监督通过自动化的手段缓解了大规模数据标注的问题,因此也是关系抽取领域的一个重要研究课题。当前的大多数远程监督关系抽取方法都将关注点放在了对于噪声数据的降噪处理上,而忽略了对于外部知识信息的挖掘和利用。因此,本文对实体和文本等不同方面的知识表示和融合方法进行了探索,尝试通过引入额外的知识信息来提高模型对文本的理解能力,并设计了融合知识表示的关系抽取模型,以实现有效的关系抽取。首先,提出了基于实体知识感知的关系抽取模型（Entity Knowledge Enhanced Neural Network,EKNN）。考虑到实体知识对于链接实体和文本的重要性,设计了实体知识感知的词嵌入方法,通过动态的方式将实体的语义知识和结构知识注入到模型当中,提高了模型的语义理解能力。然后基于选择性注意力机制,完成了句袋级别的特征表示,提高了对实体对进行关系抽取的能力。最终在广泛使用的远程监督公开数据集上与当前主流的远程监督关系抽取模型进行了对比实验和结果分析。EKNN模型通过将实体知识与词嵌入进行融合的方式,对实体知识中的丰富信息进行了深层次挖掘和利用,提高了模型对于文本的理解能力,取得了比主流方法更好的结果。其次,进一步提出了融合全局语境知识的关系抽取模型（Global Context with External Knowledge,GCEK）。针对现有远程监督方法中存在的文本语义信息缺失的问题,从文本层面构建全局的语境知识,并与实体知识相结合,实现了不同层次的知识融合。此外,还提出了全局语境增强的选择性注意力机制,有效提高了句袋级别的特征表示能力,进一步提升了关系抽取的效果。在公开数据集上的实验分析表明,GCEK模型在实体知识的基础上进一步引入全局语境知识的设计,能够对文本进行不同粒度级的语义建模,增强了模型的降噪能力,取得了当前最优的性能。