茶叶病虫害是制约茶叶产业发展的重要因素,一直备受茶农关注。目前随着网络的发展,出现了大量和茶叶病虫害相关的无结构化或半结构化的文本,传统的搜索方法无法高效精准的获取茶叶病虫害领域的相关信息,由于知识图谱能实现实体的语义搜索、实体间的关系搜索,所以构建关于茶叶病虫害领域的知识图谱势在必行。关系抽取作为构建茶叶病虫害知识图谱的核心步骤,主要是提取两实体间的语义关系。本文采用了深度神经网络和远程监督学习实现了面向茶叶病虫害领域的实体关系抽取,为构建茶叶病虫害知识图谱奠定了基础。本文主要工作集中在以下三个方面:（1）使用远程监督的方法构建了茶叶病虫害领域的语料。首先利用领域知识采用三元组的形式构建茶叶病虫害领域一个小型知识库;接着利用实体尽可能爬取出训练的文本语料,解决训练语料数量过少的问题;其次,对语料文本进行过滤清洗、分词等处理,接着利用所构建的知识库与处理后的文本自动对齐,完成语料的标注工作;最后对语料文本进行了无监督训练,获取了语料文本相关的词向量,更好的提取文本特征。（2）提出了一种基于通道注意力机制的茶叶病虫害实体关系抽取研究方法。在远程监督关系抽取任务上PCNN模型常被用作于提取句子语义特征,在其提取过程中,以两个实体为界限将句子划分为三段,进行最大池化,存在的问题是无法区分哪一段对于最后句子的分类任务具有较大的贡献。针对于此问题,我们借鉴于图像领域里面所使用的通道注意力机制,给经过卷积后的每一个句子分段分配一个不同的权重,使得对于最后的关系分类任务具有重要作用的关键句子分段的权重变大,突出PCNN中关键分段的影响,有效的挖掘出句子特征,以此来提高模型的准确率。（3）提出了一种基于门控模块的茶叶病虫害关系抽取研究方法。针对语料中出现包中所含句子全是噪声句子的情况,前人提出在包的基础上构造“超包”,再次使用注意力机制,效果依然不佳的问题。基于此,本章节提出了基于门控模块的关系抽取解决方法,该方法旨在通过包间注意力机制分配权重之前,通过该模块对包的语义特征向量先行进行过滤,使得部分噪声包完全被过滤掉。以此来降低噪声句子对模型的干扰,进一步提高模型的准确率。实验结果表明,相比于传统关系抽取方法,模型在采取通道注意力机制和门控模块等两种改进方案后,准确率、f1等指标都有明显提升。