随着大数据技术的发展和网络环境的日趋复杂,网络空间中包含了大量有价值的网络威胁情报数据。如何从碎片化、海量化的威胁情报数据中挖掘出关联关系、攻击模式等是威胁情报分析研究的焦点,因此,基于网络安全知识图谱的威胁情报分析成为了研究热点。网络安全知识图谱可将海量的碎片化的多源异构威胁情报数据进行细粒度的深度关联分析和挖掘。网络安全知识图谱构建的基础就是信息抽取,本文重点研究海量网络安全文本数据中的网络安全实体识别和实体之间的关系抽取。首先,传统的命名实体识别方法难以识别网络安全领域中新的或中英文混合的安全实体,且提取的特征不充分,因此难以准确的识别网络安全实体。针对此问题,本文在神经网络模型CNN-BiLSTM-CRF的基础上,提出一种结合特征模板的网络安全实体识别方法,其利用人工特征模板提取局部上下文特征,进一步利用神经网络模型自动提取字符特征和文本全局特征。实验结果表明,在大规模网络安全数据集上,本文提出的网络安全实体识别方法与其它方法相比,相关评价指标优于其它方法,F值达到86%。其次,针对远程监督方法在构建语料过程中引入的噪声数据问题,本文在远程监督模型PCNN-ATT的基础之上,提出了一种ResPCNN-ATT的远程监督关系抽取方法,其利用PCNN提取语义特征,引入深度残差学习解决由于噪声数据引起的梯度消失问题,进一步利用多实例注意力机制计算实例与对应关系的相关性,以降低噪声数据的影响。实验结果表明,在NYT数据集和NSER数据集上,本文提出的方法与其它方法相比,关系抽取准确率优于其它方法。