随着数据化、信息化时代的到来,网络信息以指数级速度增长,使人们接收到远超其所能承受或需要的信息量,多领域交叉融合的现象日益凸显,如何精确高效的从浩如烟海的数据信息中获取对人类社会有价值、有意义的信息,成为大数据时代亟待寻求破解之道的重要问题。实体关系抽取任务作为知识图谱构建的基础,旨在判断非结构化文本中实体对之间存在的语义关系并将其划分入预先设置的类型中,使数据变为结构化形式,因此其具有重要的研究价值。目前大部分基于深度学习的实体关系抽取模型存在误差传播问题、语料深层特征提取不充分问题及多义词信息利用不足问题。本文针对以上问题,从下面两个角度进行研究:（1）针对远程监督标注数据时产生的噪声及深度学习特征提取中的误差传播问题,本文利用残差网络可以将浅层信息与深层信息联合表示的特性建立深层卷积神经网络,并通过修改identity mapping中传递函数,以达到在深层的传递过程中不断更新特征的权重,获取到输入文本中更深层更有效的信息,达到了更高分类精度。（2）针对现有实体关系抽取方法未考虑实体对之间共现关系和语言结构信息,本文将预训练语言模型与多种语义信息结合构建多语义融合的实体关系抽取模型。将预训练语言模型应用于实体关系抽取任务,采用语义向量及语言结构向量相结合的方式来突出语义特征信息,缓解对句子局部及全局信息表征不足的问题,提高对文本局部特征及全局特征利用率。进一步,本文考虑不同实体在句子中共同出现表达的语义含义差异,引入实体共现信息作为语义特征解决一词多义问题。最后将所构建模型,分别在中英文数据集进行实验验证。结果表明,本文提出的模型能更有效地提高实体关系抽取效果。