随着信息时代的到来,越来越多的数据、信息填满了我们的生活。关系抽取是知识图谱中的一个重要任务,能够从非结构化的自由文本中提取出可以存储到知识库中的结构化信息。本文研究了基于神经网络的关系抽取技术,针对现有研究存在的问题,提出了两个有效的基于神经网络的关系抽取方法。首先,针对远程监督带来噪音从而影响抽取结果的准确度这一问题,设计了一个基于BiLSTM和空洞卷积神经网络联合编码的关系抽取方法。该方法从联合抽取特征的角度进行去噪工作。首先使用预训练的词向量模型对句子进行处理,将单词转化为向量表示,作为模型的输入。然后输入到BiLSTM中提取句子的依赖信息,同时使用空洞卷积神经网络提取句子的语义单元信息。在此基础上使用卷积神经网络将得到的特征向量进行融合,进一步进行编码,得到同时包含句子依赖信息和语义单元信息的特征向量,使得特征向量包含更多句子的语义信息,提高抽取结果的准确性。同时,我们使用句子级选择性注意力机制为句子分配权重,进一步减小远程监督带来的噪音的影响。最后通过实验验证了所提方法的有效性。其次,针对关系抽取中的重叠三元组问题,设计了一个基于卷积神经网络与Transformer融合的序列到序列的关系抽取方法。现有的主流关系抽取模型只能抽取普通类型的三元组,对于句子中含有多个三元组相互重叠这一类问题有较少的研究。本文设计了一个基于序列到序列的关系抽取模型,将卷积神经网络融合到Transformer中作为句子的编码器,提取句子的特征,再对其进行解码,识别句中所有可能的主语以及每个主语对应的关系和宾语,从而得到句子中不同重叠类型的三元组。实验部分,我们在两个公开数据集中测试了所设计的模型,证明了模型的有效性。