随着公共基础建设的不断完善,地铁逐渐成为日常出行工具的首要选择。地铁工程建设包括规划、设计、建设和试运行等多个环节,其中设计环节是保证工程建设质量的关键,也是确保地铁安全、经济、适用的重要前提。地铁设计规范是约束这一环节的重要文件,是我国经过多年经验沉淀和反复论证研究的成果。本文针对地铁设计规范文本进行信息抽取,主要包括实体识别和实体关系抽取两个过程,以加速该领域信息化、智能化的进程。具体研究内容如下:（1）针对地铁设计规范的语料库构建。目前针对地铁设计领域的实体识别和实体关系抽取研究处于起步阶段,现有研究尚未提出和发布该领域的信息抽取语料库。本文对规范文本进行分析,梳理该领域的实体类别和实体之间的关系类别,并总结规范文本的子语言特性。同时,采用团队标注的方式对部分规范文本进行标注,标注过程遵循“生成数据集-训练基准模型-分析预测错误-制定数据更新策略-更新数据集”的半人工闭环原则,构建了基于该规范的信息抽取语料库。（2）基于词汇增强技术和预训练机制的命名实体识别方法。首先基于序列标注方式表征文本的BiLSTM-CRF模型进行训练,该模型底层针对字进行编码,而词汇信息对于实体边界通常起着至关重要的作用。针对这一问题,本文设计了一个兼容词汇输入的动态框架SW-BiLSTM-CRF,具体包括词边界和词嵌入两类信息,对模型进行词汇增强。同时借助预训练机制,将大规模无监督语料的上下文特征迁移至模型训练过程,其中无监督训练包括两个阶段,通用领域预训练和80万条建筑领域规范文本的深度预训练,得到BcBERT模型,进而进行命名实体识别任务的微调,逐步提升模型性能,实验表明BcBERT-SW-BiLSTM-CRF模型能够有效提升F1值。（3）基于平均池化技术和注意力增强的实体关系抽取方法。首先基于BcBERT模型进行规范文本序列表征,借助平均池化操作得到文本中的实体信息,利用实体的相对位置丰富基于字的注意力信息,最后通过特定的输出结构得到多实体对之间的多关系预测结果。实验过程中设置多组对照实验,从预测结果和运行时间两个角度说明了方法的高效性。