随着互联网文本数据量的爆炸式增长,从海量的文本数据中自动化地抽取浓缩的结构化知识变得日益重要。关系抽取是信息抽取的关键技术之一,在众多自然语言处理下游任务中都具有非常重要的作用。目前的研究工作主要集中在理想化环境下的关系抽取,然而实际环境中存在许多复杂的问题。其一,目前实验室环境大多会给予实体等先验信息,在给定实体的情况下抽取其中的关系,然而由于实体标注工作异常复杂,往往出现实体信息缺失的环境;其二,目前的研究大都集中在句子级别的关系抽取,然而实际篇章级文本环境更为常见,其存在大量的跨句子隐含关系;其三,复杂环境并不会单一存在,实体信息缺失的问题也会出现在篇章级环境中,其环境更加复杂与困难。针对上述三种复杂环境,本文分别进行如下工作:（1）针对句子级别的实体信息缺失环境,提出了基于翻译机制的句子级实体关系联合抽取方法。针对以往流水线模型存在的误差传递与忽略子任务之间交互特征的问题,本文将文本视为源语言,不同关系下的实体对视为目标语言,通过基于注意力机制的编码器-解码器框架实现两者之间翻译,将两个子任务统一在同一框架下,解决了误差传递问题,并充分考虑子任务之间的交互。同时,不同关系之间同样存在交互特征,本文将不同关系共享模型参数,共享底层特征,学习不同关系之间的共享交互信息。本文在NYT公开数据集上与同期模型相比,证明了本文模型的有效性。（2）针对篇章级文本环境,提出了基于异质图网络的多层次篇章级关系抽取方法。现有的关系抽取方法大都是基于句子级环境下,无法应用于篇章级环境。本文根据实体的共现关系、共指关系、语义依赖关系等先验知识构建图网络,减少了篇章级文本中的噪音,缩短实体之间的距离,为模型提供推理结构。单词层级、实体提及层级与实体层级的层级分化能够为模型带来更多的细粒度信息,实体提及聚合带有上下文的细粒度单词信息,实体通过注意力机制聚焦于重要的实体提及。本文在Doc RED公开数据集与同期模型相比,证明了本文模型的有效性。（3）针对实体信息缺失的篇章级文本环境,提出了基于多任务学习的篇章级实体关系联合抽取方法。复杂环境并不单一存在,本文将两种复杂环境进行融合,提出了实体信息缺失的篇章级环境问题。本文通过多任务学习的方式将此问题所包含的实体提及识别子任务、实体提及聚类子任务、关系抽取子任务统一在同一框架下,以端到端的方式实现篇章级的实体关系联合抽取。同时,本文所提的基于余弦相似度的实体提及聚类模块,能够有效聚类同一实体具有不同表现形式的实体提及。本文通过实验证明了本文模型在此复杂环境下的有效性。