关系抽取是自动从文本序列中检测和识别出实体之间语义关系的任务。该任务是知识工程中知识获取的核心基础技术,能够赋予人工智能更精准的知识理解能力。知识获取依赖于人类知识载体之一的海量文本数据,而这些文本数据随着信息的爆炸式增长被快速淹没在信息浪潮中。因此,挖掘这些文本数据中所蕴含的知识,既是自然语言处理的理论需求,也是人类文明传承的现实需要。目前,基于深度学习的自然语言处理技术在关系抽取领域已经取得长足发展,有效推动了不同粒度文本中知识的发现。然而,关系抽取技术在实际研究过程中仍然面临一些问题需要解决。首先,实体关系的方向性语义缺失,使得关系的判别缺乏对文本蕴含语义特征的利用;其次,文档级实体关系证据隐含,支撑实体关系的语义难以被感知;最后,实体关系的关键性语义难以被挖掘,需要在长距离的实体间构建有效的语义依赖关系。因此,论文围绕句子级和文档级关系抽取中存在的方向性语义缺失问题、证据隐含问题、长距离语义依赖问题,从句法、语篇等语言学知识视角展开系统性研究。主要研究内容如下:（1）针对实体关系方向性语义缺失问题,论文提出了基于句法关系的方向敏感型句子级关系抽取算法。常规的句内关系抽取任务忽略了文本中针对实体对关系方向性语义的表征,难以进一步提高具有明显方向性实体关系的判别性能。本文利用依存句法树结构信息,构建了具有方向差异性的双向依存路径结构。在双向依存路径结构的基础上,利用文本和依存路径的字符级特征构建平行的注意力机制,捕获文本中的语义词和关系方向性词汇。同时,为了缓解依存路径存在的过度裁剪问题,本文提出了新的文本修剪策略,不仅降低了文本输入量,还提高了模型性能。最后模型在两个数据集上的实验结果证明,模型的方向性语义感知能力优于其他方法。（2）针对实体关系证据隐含问题,论文提出了基于文本片段间语篇关系的文档级关系抽取方法。文档级关系抽取需要处理更加复杂的文本、理解更加多样性的语义,传统基于序列的方法无法获取分散在长文本中的隐含证据,这需要模型具备更强大的针对文档中隐含证据的筛选能力以及基于证据的推理能力。本文利用文档中文本片段之间蕴含的语篇关系来构建文档图,通过文档图创建了实体对间的语义关联,同时利用语篇关系选择合适的、隐含的证据。然后利用实体感知注意力机制,在文本片段中推理实体对间的关系。实验结果证明模型相较于现有方法在性能方面具有明显优势,所提方法构建了多层的证据筛选机制且展示了清晰的证据推理过程。（3）针对实体关系长距离语义依赖问题,论文提出了基于句法与语篇关系融合的文档级关系抽取方法。传统的句内关系抽取通过在依存句法树中找最短路径可以得到句内最短语义依赖,而文档级关系抽取由于文本的复杂性难以找到实体间有效的语义依赖。本文利用语篇关系与句法关系构造了字符级的文档图,并使用斯坦纳树算法在文档图中抽取最小生成树形成关键字符路径,获得与实体对最相关的语义依赖。同时模型在文字和图形两个层面构建了双层注意力权重值来增强关键字符的语义特征表达,并在训练过程中使用后置部署方法提高模型性能。实验结果表明,模型能在文档图中构建有效的语义依赖路径,且性能优于其它基于图的开源模型。