实体关系分类是自然语言处理中一项重要的任务,旨在识别出文本中实体对之间存在的关系,是知识图谱构建、自动问答系统等多项任务的基础。传统基于规则的方法需要领域专家制定规则,耗费人力且通用性差;基于深度学习的有监督学习方法依赖大量的标注数据,性能受限于标注数据数量;远程监督方法能够将知识库的知识对齐到文本进行自动标注,但无法解决样本长尾分布的问题,并且会引入样本噪声。因此,在小样本条件下实现实体关系分类具有重要的研究意义。现有的小样本关系分类模型将小样本学习方法与关系分类模型结合,其中基于原型网络的方法取得了较好的成果。目前基于原型网络的方法大多使用卷积神经网络（CNN）和静态词向量对文本进行编码,模型性能受限于词向量的语义建模能力,且未充分利用实体语义信息。此外,原始的原型网络忽略了支持集中同类样本的差异,无法针对具体的查询样本构造适合当前分类任务的原型。针对上述问题,本文在现有研究成果的基础上提出了基于实体信息增强与选择注意力的小样本关系分类模型。模型使用Ro BERTa构建文本编码器,能够充分地提取文本上下文语义特征。为了更充分地利用实体语义信息,本文提出基于互注意力的实体语义信息增强方法,将实体语义信息与全局语义信息融合,得到更丰富的实体关系特征。此外,考虑到支持集同类样本间的差异,本文提出了基于选择注意力的原型构建方法,在构建原型的过程中,能够针对当前查询样本的特征,为支持样本赋予不同的权重,构造更精确的原型。最后,本文在模型的损失函数中加入了支持集相似度损失,使模型从同类样本提取到的特征更加统一,进一步提升了关系分类的准确率。本文在小样本关系分类常用的Few Rel 1.0和Few Rel 2.0数据集上进行了广泛的对比实验,结果表明,与主流方法相比,本文提出的模型有效地提升了小样本关系分类的准确率,并且具有更强的领域迁移能力。本文还在传统关系分类任务数据集Sem Eval-2010 Task 8和NYT-10进行测试,验证了模型的适用范围。此外,本文设计了多组消融实验,分析了模型中各模块对模型性能的具体影响。最后,本文测试了模型在不同任务条件下的准确率以及计算效率,验证了本文模型应用的可行性。