知识图谱作为目前人工智能研究和信息智能化服务的核心技术,往往面临着信息不完整问题。基于深度学习的实体关系抽取方法从无标注文本中抽取目标实体对存在的关系,是知识图谱补全的关键技术,但其训练所需的有标注数据通常较难获取。远程监督关系抽取依据远程监督假设,利用现有的知识图谱可以自动获取大量的有标注数据,但该方法也由于远程监督假设本身的缺陷存在着错误标注问题。当前主流的远程监督关系抽取模型往往采用多示例学习（Multi-instance Learning,MIL）方法,即按实体对的不同将所有句子分成一个个的包（Bag）,每个实体对的关系作为包的关系标签,再进行后续的降噪和关系分类流程。然而该方法忽略了包与包之间的潜在的信息依赖,导致模型在包中的句子全部标注错误的情况下表现很差,进而影响模型的鲁棒性和整体的关系抽取效果。针对这个问题,本文通过包与包之间潜在的关系路径来建模包级别的信息依赖,按照关系路径的复杂程度分别提出了以下两个模型:（1）融合两跳关系路径的远程监督关系抽取模型。该模型首先通过多示例的学习方法对每个包中直接句子信息进行建模来获取关系标签的概率分布,然后对每个包的实体对之间存在的每一条两跳关系路径信息进行建模,从中选取置信度最高的那条关系路径来代表关系路径模块的推理信息,再通过关系路径编码模块得到关系标签的概率分布,最后采用联合学习框架综合每个包的直接句子信息和对应关系路径模块的推理信息,进而抽取每个包的目标关系。（2）结合多跳关系路径的远程监督关系抽取模型。该模型在两跳关系路径模型的基础上主要针对关系路径编码模块做出以下两点改进。其一是扩大了关系路径挖掘的范围,在每个包实体对之间存在的关系路径中引入三跳和四跳的多跳关系路径,从而建模包与包之间更加复杂的标签依赖信息,增强了关系路径编码模块的性能。其二是改善了多条关系路径信息融合的方式,采用注意力机制考虑所有关系路径的贡献,利用到了更多正例关系路径,从而提高了关系路径表示的效果。本文在Wikidata+NYT远程监督标注数据集上进行了多组对比实验分析,验证了引入关系路径信息的有效性和必要性,同时也设计了消融实验验证了注意力机制融合关系路径信息的有效性。