命名实体是自然语言中所提及的可识别实体,例如物体名、人物名、地点名等等,命名实体关系识别任务则是识别自然语言话语中所提及的命名实体之间的关系,它是自然语言语义识别任务的基础,占有非常重要的地位。命名实体关系识别任务的主要难点在于自然语言的千变万化,不同实体之间可能有着相同的联系,相同实体在不同句子里面可能存在着不同的关系;同时由于语言句式的纷繁复杂,如主动和被动句式;这些都为精确识别命名实体之间的关系带来了许多困难。以往的研究当中,在送入系统之前,往往需要对输入句子做一些基于外部语义的预处理,例如提取依存分析树得到实体之间的依存路径,或者依赖词性识别技术对句子中每个词语做词性标注等等。预处理的效果好坏往往在根本上决定了这类方法的性能,如果预处理不当可能会给任务增加大量噪声,使得系统不稳定。本文使用基于多重自匹配注意力机制的模型,将注意力集中在有用的信息上,识别出句子当中对命名实体关系识别任务起重要作用的词语并对其进行增强,削弱无关的干扰词语,同时极大的缩减了学习参数的数量,降低机器学习的难度以及过拟合的可能性。实验表明,本文方法在SemEval2010task8任务中,Macro-F1指标达到了 85.34。本文主要研究内容包括:(1)研究并实现基于依赖传统外部语义方法,分析方法的优劣并将其实验结果作为与本文提出方法所比较的baseline。(2)研究并实现基于语法分析树的神经网络方法,分析方法的优劣并将其实验结果作为与本文提出方法所比较的baseline。(3)研究并实现已有的不依赖传统外部语义的方法,分析方法的优劣并将其实验结果作为与本文提出方法所比较的baseline。(4)提出新的基于多重注意力机制的深度神经网络关系识别模型。