三元组抽取能将非结构化的文本以结构化的形式进行表示,是自然语言处理中的一项重要研究内容。对裁判文书进行三元组抽取,对于上游构建知识图谱、建立检索系统、自动问答系统等起着关键的作用,能够帮助司法系统进行知识表达和知识推理,推进智慧司法的建设。裁判文书文本中实体间难以用预定义关系集来限定,且缺乏大规模的标注语料,导致传统通过训练分类器或神经网络模型的实体关系抽取方法不适用。而目前常见的开放式中文三元组抽取方法通常只考虑了句子浅层的句法、位置特征,或是仅从句子的核心词出发,不能有效地完全抽取。本文针对上述问题,提出基于依存句法抽取模式的三元组抽取方法和结合预训练模型和DSEP的三元组抽取方法,并设计对比实验进行验证。论文工作得到了国家重点研发计划项目“内外贯通的审判执行与诉讼服务协同支撑技术研究”（2018YFC0831300）的支持,主要工作如下:（1）针对裁判文书难以用预定义关系集限定和缺少已标注数据集的问题,提出基于依存句法抽取模式的三元组抽取方法。本文对裁判文书文本进行统计分析,总结了三种普遍存在的语言特征,研究发现,这些语言特征能通过句子的依存句法树有效反映。以此为基础,将句子的实体与关系描述映射到依存句法树,提出8种依存句法抽取模式DSEP（Dependency Syntax Extraction Pattern）,并基于DSEP设计了抽取算法。本方法将句子中所有名词和名词短语视为实体,通过两两组合为候选实体对匹配DSEP来发现其关系描述词,不局限于使用核心词作为关系。本方法不依赖于任何人工标注,实验结果表明,在准确率和召回率上均高于现有方法CORE、Un CORE和ZORE。（2）为了进一步提高三元组抽取的效果,针对上述方法存在的LTP处理错误、DSEP覆盖不全的问题,提出结合预训练模型和DSEP的三元组抽取方法。利用前一方法的抽取结果,再辅以人工标注的小样本能够构成有标注的数据集,因此设计一个神经网络模型,通过训练它来实现对前一方法抽取效果的修正。本方法将三元组抽取建模为序列标注任务,对句子中的实体和关系描述词进行多标签标注,使用预训练模型BERT（Bidirectional Encoder Representations from Transformers）作为句子的编码器。利用BERT对输入句子的上下文信息进行捕捉,得到句子的分布式表示;下游使用Softmax激活的全连接层对每个字进行多标签分类;考虑到输出序列的标签之间也存在上下文关联,利用CRF层引入标签的上下文信息。实验结果显示本方法能有效提高前一方法的抽取效果,在准确率和召回率上均有提升。