在当前这个数据为王的时代,互联网上积累了大量基于自然语言的文本数据,从中可以提取出许多有价值的知识,应用到知识问答、商业推荐、广告系统等多个领域。目前研究文本挖掘的方法不胜枚举,但是专门针对人物关系抽取的研究相对较少,比较先进的就是机器学习的方法,但特征的选取还是需要人工。针对此现状,本文以从互联网上大量包含人物关系的中文自由文本为对象做文本挖掘,提出了一种基于卷积神经网络的中文人物关系抽取方法。本文具体工作主要包含以下几方面:(1)本文首先研究了文本预处理的整个流程,重点研究了隐马尔可夫和条件随机场两种最经典的分词算法,并成功将这两种算法应用到中文分词上,通过实验结果分析,选定适合本文数据集的模型,并完成分词和词性标注的工作。(2)本文研究了两种词向量表达算法,首先研究了独热编码并总结出其存在的缺陷,接着研究了基于分布式表示的词向量算法,重点研究了基于分布式的Word2vec模型,分别用两种不同的训练方法完成了对该模型的两种不同架构的训练,并通过实验,证明了最后生成的词向量包含了原始词语的语义信息,最后成功运用训练好的模型完成了对本文数据集的词向量转化工作。(3)本文将人物关系抽取任务转化成文本分类问题,提出用卷积神经网络(Convolutional Neural Network,CNN)提取词向量特征并对人物关系进行分类的方法。并用该方法从互联网上的人物社交数据中提取出了常见的5类人物关系,准确率最高达到了92.87%,平均召回率达到了86.92%,对于召回率不太理想的两类,本文又分析了原因。最后证明本文提出的方法可以应用到工程中完成对人物关系抽取的任务。