随着互联网的发展,每个互联网的使用者都成为了内容的创作者,为了快速的从创造的海量信息中获取内容,就需要利用到信息抽取技术。信息抽取可以将非结构化的文本转化为便于存储和理解的结构化文本。中文命名实体识别和实体关系抽取是中文信息抽取技术中两个重要的基础任务。中文命名实体识别是在中文文本中识别并标注出人名、地名和组织名等命名实体的过程。实体关系抽取的目的是抽取实体对之间的关系构成实体关系三元组。实现实体识别和关系抽取一般采用两种方法,分别是基于管道模型的方法和基于联合模型的方法。本文分别使用这两种方法实现了中文实体识别和关系抽取,并对模型进行改进,提高了模型识别的性能,使模型能更好的应用于中文信息抽取中。在中文命名实体识别任务中采用了BiLattice-LSTM-ATT-CRF模型,该模型使用BiLattice-LSTM网络对输入的文本进行语义编码解决了中文实体识别中的分词错误问题,然后引入注意力机制对语义编码进行加权,最后通过CRF进行语义解码进行实体识别,在MSRA数据集上最终准确率达到95.64%,召回率达到了93.67%,F值达到了94.44%。在关系抽取任务中采用了DP-BiLSTM-SelfATT模型,该模型以依存关系作为外部语义特征,合并后的特征向量经过BiLSTM编码与自注意力加权,最终通过softmax函数进行关系预测,在人物关系数据集上预测的准确率达到78.96%,召回率达到了47.43%,F值达到了59.26%。在联合模型的信息抽取中,本文把实体和关系联合抽取的任务通过特殊的标注策略转化为序列标注任务,在BiLSTM-LSTM的端到端模型的基础上,引入了词性标注和依存关系作为外部特征,融入了注意力机制与带偏置项的目标函数,实现中文实体和关系的联合抽取。该模型在人物关系抽取数据集上预测准确率达到76.23%,召回率达到44.53%,F值达到56.22%。