近年来,随着深度学习的发展,尤其是预训练语言模型如ELMo/BERT的提出,很多自然语言处理（NLP）相关任务的性能都有了大幅度的提高。目前深度学习研究的主要挑战在于如何运用知识,从而具备一定的推理能力。词语关系,如上下位、部分整体、同义等,是人类知识中很重要的一部分。构建大规模的词语关系知识库能够为以知识驱动的NLP技术提供数据支撑。本文重点关注上下位这种典型的词语关系,从数据集、分类方法、挖掘方法三个方面开展了较深入的研究。本文的主要研究内容如下:（1）汉语词语上下位关系数据集构建本文编制了一份汉语词语上下位关系标注规范,针对标注难点给出不同优先级别的标注原则。同时,本文开发了一个词语关系可视化标注系统,并采用严格的双人标注加专家审核的标注流程。本文通过挖掘各种知识库,获得大量候选词对进行人工标注,从而构造了一份汉语上下位关系平衡数据集。（2）汉语词语上下位关系分类模型比较基于构建的平衡数据集,本文深入研究了上下位关系分类问题。给定一个词对和一些同时包含该词对的例句,分类模型尝试利用词嵌入向量和上下文信息,准确分辨两个词语之间的关系。本文利用BiLSTM对例句中词对间的最短依存路径进行编码,从而有效地刻画词对的上下文特征。同时在模型中利用自注意力机制减少非典型性例句造成的误差。此外,本文发现相同关系的词对在词语本身有一些相似的特征,将这些词表面特征融入模型也有一定的提升效果。最后,为了方便对数据集进行查询和纠错,并对分类模型的结果进行可视化分析,本文基于VIS前端插件开发了上下位关系分类演示系统。（3）基于知识库和无标注文本的汉语上下位关系挖掘本文从知识库和无标注文本两个来源挖掘上下位关系。一方面,本文对Chinese Open WordNet、《同义词词林》和Open HowNet三个知识库进行数据清洗,进而设计了相关挖掘规则。另一方面,本文针对四种最典型的上下位句型,分别定义了词法模板和句法模板,在维基百科和百度百科的无结构化文本中挖掘上下位关系。实验结果表明在采用先进的依存句法分析器后,依存句法模板的性能相比于词法模板有较大优势。最后,本文设计了一个可视化的上下位词对挖掘演示系统,允许用户定制模板,并查看和对比挖掘效果。