随着互联网的不断发展,网络数据增长迅速,其中包含了大量有关食品安全的文本数据,这些以自然语言型式记录的非结构化食品安全文本数据中蕴含了丰富的食品安全领域知识。传统的人工整理方式耗时耗力,效率较低,难以对大规模的数据进行有效挖掘。因此,如何从这些非结构化数据中自动提取出结构化的知识,对食品安全领域智能化发展具有积极意义和深远影响。本文针对食品安全领域中的文本数据进行关系抽取研究。食品安全领域的关系抽取是指对食品安全文本数据中的食品名称、致病物质等具有特定意义的实体进行识别,然后对相关实体间的关系进行抽取并构造三元组。论文具体研究内容如下:（1）针对食品安全领域的实体类型较多且专业性较强的问题,提出了一种基于注意力机制和触发词的食品安全领域命名实体识别模型。将语料中对实体识别有帮助的词定义为触发词,并在语料中进行触发词标注,以促进NER模型对标签的有效学习。实验结果表明,本文所提模型在语料数量有限时,仍可有效提高食品安全领域实体识别的准确率。（2）根据食品安全文本的特点,提出了一种融合对抗训练和胶囊网络的食品安全领域关系抽取模型。使用双向长短期记忆网络提取文本序列的全局特征,并通过胶囊网络的动态路由机制获取高层次的局部特征,具有较强的特征提取能力,同时在嵌入层加入对抗训练提升模型的鲁棒性,从而有效提高了关系抽取任务的效果。（3）设计并实现了食品安全领域知识图谱及问答系统。通过No SQL图形数据库Neo4j对提取的＜实体,关系,实体＞三元组进行保存,为知识图谱的构建提供数据基础。然后基于知识图谱使用Flask Web开发框架,设计了一套完整的食品安全信息问答系统,并对系统进行了测试。最后,对本文工作进行了总结与展望。