随着大数据时代的到来,人们需要处理的数据量急速增长,如何快速有效地从浩瀚的网络中提取到关键信息,成为业界迫切需要解决的难题。关系提取由于其能够从大规模非结构化文本中提取结构化信息,而被广大研究者所关注。近年来,学者们将基于神经网络特征抽取的方法引入到关系提取任务中,取得了令人瞩目的成绩,这使得面向关系提取的神经网络研究成为热点。根据不同的数据集标注方式,关系提取方法主要分为全监督和远程监督两类。在全监督关系提取方法中,大多数神经网络仅考虑单分支信息流,难以获取足够的语义特征来进行关系提取。远程监督关系提取方法大多采用改善关系标签和选择注意力机制来抑制包内噪声句子,仅从包内噪声句子这一层面来对噪声进行抑制,存在感受视野不足的问题。另一方面,大多数远程监督关系提取方法在进行特征抽取时,仅考虑单一方面特征,缺乏对句子全局信息的有效感知,无法从特征层面对噪声特征进行滤除。针对以上问题,本文主要围绕提高神经网络抽取语义特征的能力、抑制远程监督数据集中噪声等方面展开研究,并取得了一系列的成果。本文的主要研究内容与创新工作如下:（1）在全监督关系提取任务中,针对大多数神经网络难以获取足够的语义特征问题,本文提出一种基于全局和局部特征感知网络的关系提取方法。该方法首先利用自注意力机制和循环神经网络获取单词的相关性时序特征。其次,构建多分支特征感知卷积神经网络,分别获取全局和局部相关性时序特征,避免全局和局部感知的相互影响。进一步地,对这两种特征进行拼接和筛选,以全面表示句子的重要语义特征。最后,结合Softmax分类器实现关系提取。实验结果表明,所提方法优于主流的基于卷积神经网络和循环神经网络的关系提取方法,在标准的Sem Eval-2010 Task 8和KBP37数据集上F1值分别达到86.1%和64.9%。（2）在远程监督关系提取任务中,针对大多数降噪方法存在感受视野不足的问题,本文提出一种基于多层次特征精炼的远程监督关系提取方法。具体地,针对包内存在的噪声句子,该方法首先利用特征抽取模块对包内的特征进行初步抽取。其次,构建特征集成模块,通过对初步抽取的包内特征进行集成学习,以获得初步滤除噪声的集成包特征。进一步地,构建特征压缩模块,通过对各集成包特征进行压缩凝练,以获得具有本质鉴别能力的精炼特征。最后,结合Softmax分类器实现关系提取。实验结果表明,所提方法优于基于选择注意力和标签优化的方法,在标准的NYT数据集上平均P@N达到了85.7%。（3）在远程监督关系提取任务中,针对大多数神经网络缺乏对句子全局信息有效感知的问题,本文提出一种基于IR-Net的远程监督关系提取方法。该方法通过挖掘有关单词,句子及其相互作用的各个方面,以明确获得各个方面的相互依赖性来提高表示质量,抑制噪声特征。具体地,该方法首先通过响应模块来对单词,句子多方面的信息进行建模,获得多方面信息。其次,通过交互模块来动态汇总多方面的信息,捕获多样性的全局信息。进一步地,构建交互响应模块,对多样性全局信息之间依赖关系进行响应,以获得显著全局信息。最后,通过分段最大值池化和多层次特征精炼操作对显著全局信息进行筛选和精炼,以获得用于关系预测的精炼全局特征。实验结果表明,所提方法明显优于近几年基于选择注意力和标签优化的方法,在标准的NYT数据集上平均P@N达到了88.6%。