大数据时代的到来,涌现出大量蕴含丰富语义信息的非结构化文本数据。为了应对海量数据的挑战,关系提取与知识图谱成为自然语言处理领域的重要研究话题。通过关系提取辅助知识图谱的构建,从而实现海量数据的重构,具有重要的现实意义。本文针对关系提取网络中存在的不足,进行了相关研究工作。第一,由于句子结构复杂多样,现有的关系提取网络抽取句子特征的能力明显不足,因此,在特征抽取阶段如何充分学习句子中潜在的关系特征是当前的研究重点。第二,通过远程监督自动构造数据集的方法虽然大大减少了人工标注的成本,但是存在关系标签的错误标注问题,因此缓解远程监督的错误标注对关系提取的影响具有重要的实际意义。针对以上存在的问题,本文围绕构建新型关系提取网络模型展开研究,并取得了一定的成果。本文主要的研究内容与创新工作如下:（1）针对有监督关系提取任务中句子依存树的信息利用率低和特征提取效果不佳的问题,提出一种基于自注意力引导的门控感知图卷积网络模型。首先,利用一种作用于依存树的基于自注意力机制的软剪枝策略,通过自注意力机制为依存树中的边分配权重,以挖掘依存树中的有效信息,同时过滤无用信息。其次,构建一种门控感知图卷积网络结构,通过门控机制增加特征感知能力,以获取更鲁棒的关系特征,同时结合依存树中的局部特征与非局部依赖特征,进一步提取文本中的关键信息。最后,将关键信息输入分类器得到关系类别标签。实验结果表明,相较于原始的图卷积网络关系提取模型,所提模型在Sem Eval2010-Task8数据集和KBP37数据集上F1值分别有2.2个百分点和3.8个百分点的提升,能够更充分的利用有效信息,提升了模型的关系提取能力。（2）针对关系提取任务中远程监督方法导致的大规模训练数据存在错误标签的问题,提出一种融合多层次注意力的循环卷积网络关系提取模型。首先,利用循环卷积神经网络进行句子特征编码,获取句子中的全局时序性相关特征与局部相关特征,以充分学习句子中的潜在语义特征。其次,在池化操作之后构建一种分段注意力机制,通过计算句子中每一部分与关系向量的相关程度为其分配相应的权重信息,从而得到注意力加权的句子特征表示。最后,针对每个包中错误标签数据的不平衡性,应用一种跨包级的句子注意力机制为相同关系标签下的实例动态分配权重,选择性的关注有效实例,实现对噪声标签的有效抑制。总的来说,提出的模型不仅能够获取更加丰富有效的句子语义特征,而且可以充分利用大规模数据中的有效实例,捕获数据中更全面的特征信息,提升模型的关系提取效果。（3）为了验证本文所提出的关系提取方法在中文文本中的可用性,本文基于所提出的方法搭建了一个应用于中文关系提取任务的网络模型。首先针对远程监督获取的中文数据集进行预处理操作,以实现中文文本的标准化。然后,利用双向长短期记忆网络学习中文文本的序列特征,并将门控感知结构应用于卷积神经网络作为特征抽取器,以捕获更全面的句子特征表示。最后,针对远程监督中文数据中存在的错误标签问题,利用跨包级句子注意力实现中文文本关键特征的识别与提取。将搭建好的网络模型在中文数据集上进行训练,取得了不错的效果,并试图将训练好的模型部署到具体应用中。实验结果表明,本文设计的关系提取网络模型在中文人物关系识别中有良好的表现。