专业领域资源命名实体识别和关系抽取是对资源描述有关的自由文本进行信息抽取的重要方式,基于实体和关系可以构建出资源库和资源知识图谱,可以更好的促进自然语言处理上层任务的发展。经研究国内外动态发现,当前解决命名实体识别和实体关系抽取问题通常采用神经网络模型,选择高效的文本表征方式可以有效提升模型的训练结果。目前大多研究都是将命名实体识别和实体关系抽取看作两个独立的任务去建模,联合抽取的研究较少但有其实际意义及提升空间。由于实体识别和关系抽取是对相同数据不同阶段的处理,所以模型构建过程中会存在数据重复预处理、模型重复使用、相同人工特征和实体识别阶段出现的错误实体会继续传递到关系抽取模块等问题,影响最终结果的输出。针对当前问题现状,本文的贡献如下:（1）为了减少对人工特征和专业知识的过度依赖,本文构建了基于Bi LSTM+CRF的序列标注模型,利用Bi LSTM进行深度编码,提取文本特征,再结合CRF输出标签序列完成实体识别,同时构建了基于Bi LSTM的关系抽取模型;然后在构建联合抽取模型中通过引入BERT更有效的进行文本表征,形成新的序列标注模型IFT-Joint用于实体关系的联合抽取。（2）提出了一种基于实体信息及关系信息融合标注的联合抽取方法,该方法主要将联合抽取任务转化为序列标注问题,过新定义的标注策略充分挖掘文本中的实体关系,缓解了联合抽取中重叠关系的问题,抑制流水线方式中两个阶段的错误传播,提升整体识别性能。（3）定义了化学资源知识的表示结构,初步构建了化学资源实体数据集并形成了属性字典,由此将抽取到的实体及关系生成便于存储和管理的资源知识集。将本文提出的方法在化学领域实体数据集上进行实验,在同等硬件和软件环境下,本文提出的方法可以提升资源实体及其关系抽取的准确率、召回率、F1值,联合抽取的F1值达到76.55%,资源名称实体识别结果F1值可以达到92.11%,联合抽取的准确率提升了2.91%,本文提出的模型相较于其他模型在训练集达到40%时便可趋于稳定。实验结果表明联合抽取模型可以实现两个子模块的合并来降低数据处理时间和错误数据的传递,且实验还表明本文提出的模型具有良好的稳定性。