互联网上产生大量的非结构化文本数据,如何有效的从这些非结构化的文本数据中挖掘并抽取实体和关系信息就要涉及到实体关系抽取研究;这对知识图谱和自动问答等下游应用的构建具有较强的理论意义和实用价值。本文主要以Transformer特征提取模型为基础,通过对现有实体关系抽取模型的改进,提高实体关系抽取的性能。主要研究内容如下:（1）针对Transformer模型在实体关系抽取任务中性能不佳的问题,本文抛弃模型原始的位置编码方式,加入基于实体全局位置的编码,提取实体在文本序列中相对其它单词的距离和方向信息,可以较好融合自注意力机制且是可学习的;在模型输入向量生成阶段,把词性和命名实体特征融入到词向量中,使模型能够学习文本序列的主要特征;在数据预处理阶段将主副实体进行标签替换处理,有效防止过拟合问题。该模型在数据集上进行验证,结果表明改进的Transformer编码模型在评测指标上优于先前模型。（2）在基于跨度的实体关系联合抽取模型（SpERT）中,虽然把实体识别和关系抽取两者结合起来,但损失部分实体特征信息。本文在SpERT模型的输入阶段使用双向Transformer编码模型预训练的词向量来提高模型的泛化能力,并在输入向量中融入置信度较高的词性标注和句法依存关系特征;在模型的关系抽取层中重用输入信息为关系抽取任务提供更多的特征;在优化模型的损失函数中加入可训练的参数来自主学习两个子任务的损失占比权重。在三个公共的数据集上进行实验,结果表明改进的SpERT模型性能提升明显。（3）本文在实体关系抽取模型研究的基础上开发基于Web端的实体关系抽取应用管理平台和一个实体关系抽取移动平台。在Web端将论文中研究的模型和现有的通用模型经过模块化处理移植到系统平台上,并通过Web Service技术封装成接口供Web服务端调用。在移动端结合实体关系抽取模型完成文本序列的实体识别和关系抽取,并结合ECharts插件对得到的实体关系数据构建知识图谱。综上,本文以Transformer模型为基础,研究其在不同方式下的实体关系抽取任务中的应用。最后根据所研究的实体关系抽取模型,建立一套完整的实体关系抽取应用系统,为知识图谱的构建提供有效支撑。