关系抽取是信息抽取技术中的一项重要任务,也是知识图谱构建过程中的重要环节,其目的是从非结构化的文本中抽取出结构化的三元组知识。这一技术有着极大的商业价值和落地需求,然而现有的关系抽取系统在落地实现的过程中,普遍面临着两大问题的挑战——冷启动数据需求问题和运行中增量数据处理问题。近年来,越来越多的研究者开始关注这些问题,少样本关系抽取技术在应对冷启动数据需求问题上取得了一些不错的成果。但现有的少样本关系抽取方法都是从样本出发进行关系建模,这可能会在极少量样本的情况下出现关系建模偏差从而影响模型性能。而针对增量数据处理问题进行研究的持续关系抽取方法目前处在起步阶段,研究成果较少,且存在灾难性遗忘、次序敏感等问题,尚有较大提升空间。基于此,本文提出了一种少样本关系抽取模型和一种持续关系抽取模型。本文贡献主要包括:（1）提出了一种元学习多分类器集成的关系抽取框架,利用元学习方法训练分类器初始化参数,使其能够应用于少样本关系抽取任务;（2）提出了一种利用外部知识图谱建模关系语义表示的方法,并利用此方法获取多重训练标签,重构元训练任务序列,提升了元学习少样本关系抽取模型的性能。（3）提出了一种元学习持续关系抽取框架,结合模型交互信息和任务语义信息进行负采样,并使用实例表示筛选记忆实例,提升了模型抗灾难性遗忘和抗次序敏感的能力,在多个数据集上获得了最优的性能。（4）分析了关系抽取系统应该满足的功能和非公能需求。在此基础上,提出了一个关系抽取系统的详细设计方案,并对该系统进行了实现。综上所述,本文提出了一种基于知识增强的元学习少样本关系抽取模型和一种基于关系感知的元学习持续关系抽取模型,设计并实现了满足实际需求的关系抽取系统。