随着Web2.0技术的快速发展及人工智能技术的日益成熟,互联网环境下累积了海量文本数据,其具有海量、多源、异构等特点且蕴含了极其丰富的语义知识,因此对其进行抽取能够有效提炼具有潜在价值的结构化知识信息,从而实现文本信息结构化,因此本文重点关注如何从多源异构文本数据中有效抽取高质量、结构化三元组信息,该问题是信息抽取领域重要研究内容之一,具有重要的学术研究价值及工业应用价值。目前,信息抽取技术主要包括两部分,即命名实体识别（Name Entity Recognition,NER）和关系抽取（Relation Extraction,RE）。已有研究方法可大致分为以下几种:有监督信息抽取模型、半监督信息抽取模型、无监督信息抽取模型以及基于远程监督的信息抽取模型等。本文重点研究有监督信息抽取方法,即基于深度学习的中文实体关系信息抽取关键技术研究,主要研究工作如下:1、提出了一种基于命名实体识别+关系分类的实体关系抽取模型,该模型首先采用基于双向循环神经网络（Bi-LSTM）模型对文本语句中实体上下文语义信息建模,然后利用条件随机场（Conditional Random Field,CRF）对BIO（Begin-Intermediate-Other）标注集间依赖关系优化,最终利用卷积神经网络模型（Convolutional Neural Networks,CNN）抽取不同实体特征以实现对实体间关系的准确分类。2、提出了一种基于概率图的实体关系抽取模型,其主要基于从序列到序列（Sequence-to-Sequence,Seq2seq）的翻译模型进行信息抽取,即先利用上下文信息预测句子中主语S,然后利用已预测S信息直接预测与之对应的宾语O及关系P;3、提出了一种基于多头注意力（Multi-Head）机制的预训练语言（Bidirectional Encoder Representation from Transformers,BERT）联合实体关系抽取模型,该模型并行化的实现实体识别及关系抽取两个子任务,从而通过交互提升的方式有效解决同实体多关系问题;通过在真实信息抽取数据集上实验显示,本文构建的基于深度学习的中文信息抽取模型可有效提升实体关系三元组的抽取性能,较已有模型其性能具有较大提升。