随着互联网技术的快速发展,互联网上的文本信息呈现飞速增长。如何从海量文本中快速准确地抽取人们需要的知识正在成为研究的热点。其中,从文本中自动抽取实体关系的研究显得尤为重要。目前,实体关系抽取研究主要集中在英文文本语料,同时主要使用传统机器学习算法。此外,目前研究较少考虑到大量无关系样本存在对关系分类的影响。为此,本文的工作集中在面向中文新闻文本、主要基于深度学习方法的实体关系分类。为减少无关系样本的影响,本文将实体关系抽取任务划分有无实体关系判别和实体关系分类两个子任务,分别展开研究。在有无实体关系判别子任务中,本文设计实现了一种结合词袋模型和逻辑回归算法的判别方法。针对这种方法存在的特征空间维度较大、算法运行时间过长的问题,进一步设计实现了一种基于卷积神经网络模型的判别方法。通过应用在搜狐新闻数据预训练得到的词向量,结合对ACE2005中文文本实体关系抽取数据集分词后得到的词语进行向量映射作为卷积神经网络输入,应用于有无实体关系判别。在ACE2005中文文本实体关系抽取数据集上的实验结果显示该方法获得更好的判别性能,F值达到了81.78%。在实体关系分类子任务中,本文提出了一种基于Bi-directional Long-Short Term Memory(BLSTM)模型结合特征融合的实体关系分类方法。首先对语料预训练得到词向量,并提取实体类型、实体长度、实体相对位置等实体相关特征。通过对语料库文本中实体类型及其上下文与关系类型的联系进行分析,构建自定义的规则库。最终,融合词向量、实体相关特征和自定义规则库作为BLSTM模型的输入,构建分类器。在ACE2005数据集上实验显示该方法的关系分类F值达到了91.74%,显示了本文工作对中文新闻文本实体关系分类的有效性。