知识图谱作为颠覆性的信息技术有着强大的语义处理能力和信息互联能力,因此构建海洋产业知识图谱不仅可以为海洋经济的发展提供核心驱动力,而且有助于海洋经济的可持续发展。由于构建海洋产业知识图谱面临最主要的问题是数据的获取,而非结构化文本中蕴含着大量的知识,因此从非结构化文本中进行信息抽取是知识图谱构建的重要步骤。信息抽取的关键技术是命名实体识别和关系抽取,但是目前命名实体识别和关系抽取仍存在着许多待解决的问题。首先是在命名实体识别任务中如何避免不同类型的特征在神经网络中相互干扰。然后是如何抽取海洋产业领域文本中的实体知识。最后是在关系抽取任务中,使用GCN时如何避免引入外部语言工具来构建图结构。因此,对于这三个问题,本文构建了一个新的数据集,并改进了现有的算法。研究内容主要包括以下两点。（1）为了解决不同类型的特征在神经网络出现相互干扰的问题,本文提出了多通道命名实体识别算法（MCNER）。该算法使用了多通道嵌入以捕获输入的不同类型特征,并提出了多通道Bi GRU网络来避免通道之间的相互干扰。为了对特征进行整合,同时也提出了通道内以及通道间注意力,它可以对各个通道内的特征按重要性分配不同的权重,并对各个通道间的特征也按重要性进行动态地整合,整合后的特征输入到CRF层分类出每个字符的实体类别。（2）由于GCN编码的图结构通常需要引入外部语言工具来构建,因此会导致模型计算量大,不能进行端到端的训练和不适用于专业领域内知识抽取等问题。为了解决这些问题,本文提出了动态图卷积神经网络关系抽取算法（DGCN）。该算法对序列进行特征提取后,在DGCN的每一层都使用了自注意力来推理出图结构,而不需要使用外部语言工具。推理出图结构后,然后再使用GCN进行编码。最后使用GCN全部的层表示输入全连接层进行特征降维,从而实现实体间的关系分类。本文在中英文数据集上分别进行了命名实体识别和关系抽取实验以验证模型的泛化性能。对于命名实体识别,通过实验证明了多通道命名实体识别算法可以有效地避免不同类型特征间的相互干扰,并且在海洋产业数据集和Co NLL-2003数据集都有较好的分类性能。对于关系抽取,通过实验证明了动态图卷积神经网络关系抽取算法无需引入外部语言工具来构建图结构,并且在San Wen数据集和Sem Eval-2010 Task 8数据集都有较好的分类性能。但是本文的信息抽取框架是流水线模型,这同样会导致误差的传递,未来还需要进一步研究实体与关系联合抽取的模型。