知识抽取可以将半结构化和非结构化的文本类数据转化为结构化的数据,为构建知识图谱,问答系统,知识库建立等自然语言处理领域的子任务所使用。而在现实应用中,知识抽取面临许多的挑战,一方面对于中文命名实体识别（NER）任务,只有非常少量的标注数据。中文命名实体识别和汉语分词（CWS）任务有许多相似的词边界。每个任务中也有特定的特性。然而,现有的中文命名实体识别方法要么没有充分利用语料中的词边界信息,要么无法对语料中的特定信息进行过滤。另一方面,对于关系抽取,没有办法充分利用所有含信息的句子,并且经常出现错误的标注。针对这些问题,本文研究了现有的中文命名实体识别和关系抽取模型,整理分析了其优点和不足,提出了两种模型。主要有如下工作内容:1)针对没有充分利用语料中的词边界信息的问题,本文提出了一种新的对抗迁移学习框架,以充分利用任务共享边界信息,防止任务特定特征。此外,由于任意字符可以在预测实体类型时提供重要线索,我们利用自我注意力机制来显式地捕捉两个标记之间的长期依赖关系。实验结果表明,本文提出的模型显著且一致地优于其他传统方法。2)针对不能抽取重叠和多重关系的问题,本文提出了一种基于新分解策略的端到端序列标注框架,用于实体和关系的联合提取。实验结果表明,对原任务的功能分解简化了学习过程,获得了更好的整体学习效果,在三个公共数据集上达到了新的水平。进一步的分析表明,我们的模型能够处理正常的、重叠的和多重关系的提取。3)将本文提出的两种模型应用于电力设备诊断平台的构建中,实现了电力设备文本的实体识别及关系抽取。