关系抽取是自然语言处理的基础任务,远程监督方法可以为关系抽取任务自动构建数据集,缓解人工构建数据集的压力和成本,为自动关系抽取的实现建立基础。然而其强假设的数据集构建方式造成错误标注的问题,引入大量噪声数据,导致较差的模型性能。因此为缓解远程监督中噪声数据问题,一方面从现有知识库引入实体背景描述信息来为模型提供更丰富的输入句子特征。另一方面采用对抗训练提高模型在遇到对抗样本时的鲁棒性。本文针对远程监督关系抽取训练数据集大量噪声的问题及模型鲁棒性较弱的问题进行了研究,论文主要工作如下:（1）针对远程监督关系抽取训练数据集噪声问题,基于REDSand T基础模型设计了引入目标实体背景描述信息的远程监督关系抽取模型,即为REDST-DESC模型。该模型由输入层、句子编码层、句子包编码层和关系分类层四部分组成。输入层构造结构化的输入文本,从Wikipedia以及Wikidata知识库引入目标实体对应的背景描述信息到输入层为模型提供更丰富的输入特征;句子编码层基于BERT预训练模型将输入层实例编码成神经网络可理解的句子表示;句子包编码层将句子编码层输出的句子表示按照目标实体归类到不同句子包中,采用选择性注意力机制来减少句子包内部噪声,构造句子包表示;最后的关系分类层经过Softmax分类器进行句子包所属关系归类。实验结果表明,相比基础模型REDSand T,REDST-DESC模型在NYT-10-enhanced数据集上AUC指标值提高了2%,而在GDS-enhanced数据集上AUC指标值提高了0.8%。（2）针对远程监督关系抽取模型鲁棒性较弱问题,基于REDST-DESC模型设计了引入对抗训练的远程监督关系抽取模型REDST-DFGM以及REDST-DPGD。该模型由输入层、句子编码层、句子包编码层、关系分类层以及对抗训练层五部分组成。前四层与REDST-DESC模型一致,模型的对抗训练层基于FGM以及PGD的对抗训练原理进行训练,在训练过程中的原始输入样本上添加扰动构造对抗样本来进行训练,提高模型的鲁棒性和泛化能力。实验结果表明,在NYT-10-enhanced数据集上模型REDST-DFGM以及REDST-DPGD的AUC值分别达到了0.433和0.449,相对于模型REDST-DESC的AUC值分别提高了0.4%和2%,而对比基础模型REDSand T分别提升了2.4%和4.0%,与对照实验当中性能最好的模型DISTRE相比AUC值分别提高了1.7%和3.3%,验证了本文设计改进的模型方法REDST-DFGM和REDST-DPGD总体性能优于其他对照模型方法。