随着互联网技术的日益进步,与之伴随的就是信息的海量增长,其中绝大部分的数据格式都为非结构化数据,文本形式的数据又在非结构化数据中占据了很大的比重。因此,如何将文本中的非结构化信息转变为便于计算机理解的结构化信息。已经成为了文本挖掘领域的一类关键性问题,实体关系提取便是这类关键性问题中的研究热点。传统的管道模型的提取方法是将实体和关系提取作为了两个完全分开的子任务,由于丧失了实体与关系之间丰富的相关性信息,模型容易产生错误匹配问题。为此,学者开始尝试实体关系的联合提取,以往的联合提取模型虽然在一定程度上改善了错误传播的问题,但受限于传统的词向量的固定表示方法,以及特征提取器提取能力的限制,还是在模型整体效果的提升方面遇到了难以突破的瓶颈。本文在以往研究的基础上,提出了一种基于BERT的预训练模型架构用于实体和关系任务的提取,同时将命名实体特征、词性标注特征与预训练好的关系抽取模型进行融合,并加入了双向长短期记忆神经网络和双向长短期门控循环神经网络的结构,增强了模型的特征提取能力。事先在语料规模更大的百度百科数据集上进行了预训练,从而进一步提升了模型的效果。并采用了一种新的提取方案,在主实体识别阶段先提取出文本中的主体,然后对于每个主体,在客体识别阶段将可能与主体存在联系的客体和关系进行进一步的整体的预测。通过在标注质量颇高且业界规模最大的SKE中文数据集上进行了不同模型之间的对比实验以及模型本身的消融实验,证明了该模型具有一定的有效性和先进性。