随着大数据时代的到来,如何对海量非结构化数据加以存储和利用,是信息抽取领域面临的重大挑战。关系抽取是信息抽取领域内最为重要的基础任务之一,旨在将文本中标注的两个或多个实体间的关系提取出来构成三元组,以支持知识图谱、检索和问答等下游任务。传统的有监督数据集无法支持深度学习对数据量的要求,于是远程监督数据集应运而生,实现了大规模数据的自动标注。然而该任务下还有着许多亟待解决的关键问题:第一,数据集构建时的强假设性所造成的噪声问题;第二,语言文本本身存在着大量与目标关系无关的冗余词句;第三,多示例包内数据稀疏及噪声影响导致的包内信息不足。针对以上三个问题,本文提出了如下方案:（1）本文采用了一种融合语义表征与结构表征的关系抽取模型。首先利用BERT预训练语言模型提取句子内的语义特征,与利用依存树图卷积模型捕捉句子内的结构特征相接作为句子的完整表征,使得模型能够全面捕捉句子内部的特征信息;通过注意力机制对包内句子进行过滤,选择置信度更高的句子作为包的表征,从而缓解包内噪声数据的影响。（2）本文设计了一种利用多头自注意力机制的依存树软剪枝策略。针对自然语言表达的多样性所导致句子内存在的大量与目标实体、关系无关的冗余信息问题,实现自主地对依存树中节点间的连接性重新分配合理权重,降低句子内部无关噪声词对模型的影响,从而提高模型的鲁棒性。（3）本文定义了一种包关系-实体对边图模型,将包内两个实体间存在的关系作为图节点,若两个包之间存在相同实体就认为这两个节点之间存在联系,以此构建包关系-实体对边图。结合上述包级别的特征向量,利用图卷积神经网络来捕捉包间的拓扑结构信息,使得每个包的表征能够融合与之相关的包中的信息,对于某些有且仅有一条句子的包而言,能够在不依赖外界信息的条件下,捕捉到更多有效信息降低包间噪声。本文通过对比实验证明:相较于基线模型本文提出的模型取得了最优的性能,其中AUC值达到了较高的0.472。通过消融实验证明:融合语义和结构两种特征能够提升模型对句子的表达能力;利用多头自注意力机制能够降低句中冗余信息的权重,让模型更关注与目标关系相关的信息;结合包关系-实体对图卷积模型能够有效地利用包间信息,提高模型抽取能力。