简历大多以非结构化文本的形式存在,且数量众多。从此类简历文本中准确提取结构化信息,具有广泛的用途,可以为信息检索、关联分析、数据匹配等诸多上游应用提供基础。简历信息抽取方法大多基于规则和模版的方式,通过人工定制规则对特定的信息进行抽取。在大数据量情况下,此类方法存在成本高、效率低、灵活性差等问题。基于传统机器学习的方法虽然可以一定程度上减少人工成本,但过于依赖特征工程。本文针对这些问题进行研究,采用深度学习的方法构建简历信息抽取模型,并设计了相应的系统。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。本文的主要工作如下:（1）提出了一种融合动态词向量的简历实体标注模型。针对传统的词嵌入存在不能解读一词多义的问题,将动态词向量作为词的表征方式,基于改进的BERT版本提出了BERT（wwm）-BiLSTM-CRF模型用于识别中文简历文本中的实体信息。该方法充分利用了BERT预训练模型的优势,可以直接导入已公开BERT获取具有深层语义特征的词向量,不需要太多数据的训练也能使模型得到更快的收敛。使用BERT-base版本进行实现,通过使用双向长短期记忆神经网络获取句子的语义特征,然后利用条件随机场的约束抽取出文本中的实体。（2）提出了一种结合句子级特征和实体特征的简历关系抽取模型。BERT模型生成词向量后,利用卷积神经网络提取句子级特征,利用实体位置信息得到实体特征,然后引入注意力机制突出实体信息。设置了基线模型Glo Ve-CNN,将提出的BERT-ACNN模型与其他三组模型Glo Ve-CNN、Glo Ve-ACNN和BERT-CNN对比实验。实验结果表明,本文所提出的关系抽取模型与基线模型相比,F1值提高了2.8%。（3）设计了中文简历信息抽取系统。在所提出的方法基础上,设计了简历信息抽取系统的框架,包括输入处理、数据解析等功能,并将抽取后将结果存储到图数据库中,还可以通过D3.js将数据解析结果进行可视化。