随着全球化的浪潮到来,信息化导致人们接受的信息呈现了指数型的爆炸增长,而其中各种信息中又以文本数据最为庞大。文本数据通常以非结构化的形式存在,而如何将非结构化的文本信息提取出结构化的信息并且使用计算机进行存储和处理是当前自然语言处理应用场景中一个函待解决的问题。关系抽取能够从非结构化的文本数据中提取到结构化的三元组信息,因此实体关系抽取的方向是解决该问题的关键方向。虽然近年来自然语言处理领域中关系抽取领域方向的研究取得了长足的进步,但是其现有的主流研究方向主要基于句子级别的关系抽取。但是在实际生活中,许多关系事实隐藏在句子之间,需要对多个句子进行推理才能准确地提取出句子之间的关系事实,因此文档级关系抽取方向更值得去研究。目前在文档级关系抽取任务上,主流的方法是生成一个网络图,然后对这个图的节点进行推理。但目前在网络图上使用传统的图神经网络模型往往只能学习到周围节点的信息,难以捕捉到实体对之间的信息,因此其性能还可以得到进一步地提高。在以往文档级关系抽取领域方向的基础上,提出了一种基于深度学习的端到端的文档级关系抽取模型。该模型包含编码模块、图的嵌入模块和分类模块。该模型能够使用单词预处理模型学习到单词的上下文信息,然后根据规则构建出异构网络图,通过使用异构图的图注意力神经网络模型,使模型相比于以往的文档级关系抽取模型能够更好地学习句子内和句子间的关系事实。并且根据文档级关系抽取的特点,基于启发式规则的方式提出了适用于句子内和句子间关系抽取的元路径。在最新的文档级关系数据集上通过与目前主流的文档级关系抽取模型做对比实验,证明了模型的有效性以及使用异构网络图的必要性,再通过消融实验的方式消除不同的元路径,证明了设计的元路径的合理性。