渔业标准化是数字渔业发展的主要趋势,实现渔业标准化需要渔业标准信息服务系统做支撑,完善渔业标准服务系统需要从渔业标准文本中抽取其蕴含的知识。信息抽取技术能够对渔业标准文本中的知识进行抽取,目前的渔业标准信息抽取主要针对粗粒度实体进行抽取,而完善渔业标准服务系统需抽取完备的渔业标准实体,因此需对渔业标准细粒度实体进行抽取。因渔业标准细粒度实体主要存在于渔业标准表格中,且细粒度实体存在重叠关系等问题,故在表格抽取基础上完成重叠关系抽取,完善渔业标准信息抽取。针对上述问题,本文开展面向细粒度渔业标准信息抽取研究,具体研究工作如下。（1）结合规则与深度学习的渔业标准表格抽取方法。为解决渔业标准文本中表格结构多样、表头位置不固定导致抽取效果不佳的问题,提出一种结合规则匹配（Rule-Based-Matching,RBM）与AbTransformer（Absolute Transformer）的表格信息抽取方法。该方法对非规则类表格信息采用改进的Transformer进行抽取,通过在位置编码模块中引入行位置编码,与特征向量进行拼接以获取表格行列位置以解决行列不固定的问题,并将AbTransformer与规则法结合来提高模型的准确率和泛化能力。实验结果表明,本文RBM-AbTransformer方法F1值达到了95.77%,与AbTransformer模型相比F1值提高了5.27%,表明本文所提方法有效提升了渔业标准表格信息抽取的整体效果。（2）基于ERNIE的渔业标准重叠关系抽取方法。针对渔业标准文本中存在重叠关系导致抽取召回率低的现象,提出基于ERNIE的Text CNN-Bi LSTM-Attention模型。为得到重叠实体的隐藏语义信息,引入ERNIE,同时为获取输入特征的全面信息,结合Text CNN与Bi LSTM对长短距离特征进行提取,并在Bi LSTM后引入Attention机制来增加长距离特征权重,使实体在不同特征中关系表示不同,解决重叠关系问题。实验结果表明,所提方法F1值达到了94.33%,与BERT-Bi LSTM-Att（s）模型相比F1值提高了1.81%,表明本文方法能有效抽取渔业标准重叠关系,为构建渔业标准系统提供基础。