信息抽取是自然语言处理中的重要分支,目的是从非结构化或半结构化的文本中抽取出结构化数据,其最关键的子任务之一是关系抽取。然而以往的传统方法在处理复杂的文本结构时并不能达到良好的效果,往往无法处理其中的关系重叠问题以及抽取过程中产生的噪声信息。本文基于深度学习方法,围绕面向复杂文本结构的关系抽取研究,提出了针对传统流水线方法和联合学习框架的两种优化方案。论文的主要研究工作和创新内容如下:（1）设计了一种基于长短期记忆网络和相似度计算的流水线抽取方法。在使用流水线方法进行实体识别和关系分类时,实体与关系之间的关联被拆分,尤其是在存在关系重叠问题的复杂文本中,抽取结果可能会受到很大的噪声影响。长短期记忆神经网络通过训练带有标注的语料数据,能够更准确地提取特定的实体对象,结合实体关系的联合抽取标注策略,使关系抽取的模式避免过于流水线化。实验中首先使用神经网络模型完成命名实体识别,再基于传统LSTM用句子级别注意力进行关系分类,期间通过远程监督方法,引入依存句法提取结构化的实体关系以充实语义特征,根据相似度计算调整关系分类权重。经过验证发现,该优化方法相比基础的LSTM模型在中文数据集上的F1值提高了2.76%,且在不同数据集上均取得了最高的分值。实验表明该方法能够减少文本中的噪声影响,取得良好的优化效果。（2）设计了一种基于膨胀卷积和字词混合嵌入的联合关系抽取方法。模型的主要策略是基于序列到序列解码的思想,通过主实体直接预测对应关系中的客实体。首先对输入文本的字与词分别进行编码,再将获得的字词向量进行混合嵌入,并为输入序列引入位置信息。之后将获得的特征向量传入卷积神经网络中迭代训练,采用半指针半标注结构优化了汉字的编码过程,用获得的主实体对每种关系对应的客实体进行预测,使得模型的学习具有可解释性;并加入了自注意力机制,减少噪声信息影响。经实验验证,该方法在中文数据集上的F1值相比效果最好的对照模型提升了1.88%,在公共数据集上的精确率达到了87.6%,且在不同数据集上均有优秀的召回率。实验结果表明,在面对具有复杂结构的文本语料时,这种联合抽取方法不仅简化了抽取流程,解决了关系重叠问题,且具有更好的鲁棒性和泛化能力。