随着互联网技术的飞速发展,新闻文章、研究出版物、博客、论坛和社交媒体等媒介产生了大量的文本数据,这些非结构化的文本数据通常隐藏着许多重要信息,抽取相关有用的信息,并实现数据的结构化表示,对知识图谱、搜索引擎和问答系统等自然语言处理（Natural Language Processing,NLP）应用具有重要的价值,实体关系抽取（Entity Relation Extraction,ERE）作为信息抽取（Information Extraction,IE）领域的一个子任务,旨在从非结构化的文本数据中获取实体之间的语义关系,广泛地应用在民用领域和军事领域。传统的实体关系抽取方法因抽取规则和手工特征对先验知识要求较高,限制了相关模型的性能。近年来,基于预训练语言模型的方法具有良好的特征表示能力,在实体关系抽取领域获得了巨大的成功,已成为自然语言处理领域的研究热点,逐渐引起国内外研究人员的广泛关注。本文以XLNet和BERT（Bidirectional Encoder Representations from Transformers）预训练语言模型为基础,针对文本表示过度依赖实体相关信息、“Other”类样本与其他类型样本具有相似特征且本身特征并不聚簇、缺乏高质量人工标注数据集等问题,提出了相应的解决方案。本文的主要研究内容和成果如下:（1）针对文本表示过度依赖实体相关信息的问题,本文基于XLNet预训练语言模型搭建实体关系抽取基线模型,并引入输入文本两实体的最短依赖路径作为关系信息补充,在Sem Eval-2010 Task 8数据集对所提模型性能进行评估。仿真与实验结果表明,加入最短依赖路径信息能够有效地提高模型的文本表示能力,从而提升了实体关系抽取性能。（2）针对“Other”类样本与其他关系类型的样本具有相似特征,且本身特征并不聚簇的问题,本文将分布外检测的方法应用到实体关系抽取任务,重点研究基于自编码的分布外检测方法和基于距离的分布外检测方法对实体关系抽取性能的影响。仿真与实验结果表明,基于距离的分外检测方法能够有效区分“Other”类样本和其他关系类型样本,提升了模型的整体性能。（3）针对缺乏高质量人工标注数据集导致模型性能受限的问题,本文基于BERT预训练语言模型使用掩码语言建模任务对数据集进行增强,在训练过程中加入了样本标签的语义,对模型替换词语进行了约束,同时在增强过程中使用了不同的替换策略选择要替换的词语,在最大限度保留核心语义的情况下增加语言表达的多样性。实验结果表明,选择不同的替换策略以及阈值会对模型造成不同的影响,使用替换(2型词语的增强数据集进行训练可以有效地提高模型的整体性能。