实体关系抽取可以从互联网海量数据中自动抽取知识形成结构化的数据,减少人工整理数据和提取知识的工作量,具有重要意义。传统的实体关系抽取方法多数都依赖于自然语言处理工具,因此实体关系抽取的性能严重依赖于自然语言处理工具的水平。使用自然语言处理工具所带来的误差,还可能会干扰实体关系抽取过程,使得模型的抽取性能下降。研究了基于深度学习的实体关系抽取方法,研究过程中没有借助自然语言处理工具对文本进行处理,在抽取关系之前使用了分布式的词向量来表示文本,把单词嵌入到低维空间以保留上下文之间的关联性。除了使用卷积神经网络和循环神经网络分别进行实体关系抽取研究外,还将两类神经网络组合在一起进行实体关系抽取研究。首先分别使用卷积神经网络和循环神经网络对实体关系抽取进行研究,研究了文本中的词向量特征和位置特征、局部特征、序列特征等,分析这些特征对实体关系抽取模型性能的不同影响。然后将卷积神经网络和循环神经网络组合在一起,分别使用了串联、并联的组合模型对实体关系抽取进行研究,在没有使用自然语言处理工具的情况下,组合模型获得了接近于传统机器学习使用了自然语言处理工具的抽取效果。最后采用了多模型联合抽取的方法,实验结果表明该抽取方法在实体关系抽取结果上取得了较传统机器学习方法更优的性能。