实体关系抽取技术是自然语言处理领域中的一个基础任务。主要体现为关系抽取是知识图谱,智能问答的上游任务,能够为其提供结构化知识,语义理解和关系推理等支持。有监督的关系抽取任务是依赖大规模数据集完成的,但大型数据集的构建费时费力。虽然基于远程监督的关系抽取模型能够将知识库与非结构化文本对齐来自动生成大量训练数据,减少模型对人工标注数据的依赖;但是同时也会引入大量噪音,引入误判。所以在关系抽取任务上,少样本学习进入到研究者的视野中。其中,原型神经网络属于少样本学习的一种方法,该方法主要包含三个关键步骤:特征抽取;原型点选择;距离度量。我们以原型神经网络为基础,从特征抽取与原型点两个步骤选择出发,提出了以下三种解决关系抽取问题的方法:1)提出融合深度卷积神经网络的少样本关系抽取方法。深度神经网络相比于普通的神经网络包含更多的隐藏层,能够更好的对句子向量中的文本信息与位置信息进行提取,使特征向量更加丰富。我们提出了一种融合了深度卷积神经网络的少样本关系抽取方法。该方法用深度卷积神经网络代替了普通的单层卷积神经网络,实验结果说明,该方法能够在一定程度上对原型神经网络进行优化。2)提出融合注意力机制的原型点选择方法。原型神经网络中,使用取均值的方法用来选择原型点,这种方法是静态的、固定的。这种方法可能会丢失句子层次上的一些信息,降低整个模型的性能。我们提出了两种融合了注意机制的动态原型点选择方法,弥补了原型神经网络的不足。该方法可以动态准确地选择原型,考虑更多语义信息,进而提高准确性,是一种动态选择原型的新策略。3)提出融合深度神经网络与注意力机制的中文关系抽取。现有关系抽取数据集大多都是英文的,中文的关系抽取数据集比较匮乏。首先,我们构建了一个关系抽取的汉语数据集。随后,我们对前面所述的两种方法加以融合,编码层使用深度卷积神经网络进行特征抽取;原型点选择融合注意力机制。最后使用我们的中文数据集对该模型进行训练,让关系抽取工作在中文领域更好的结合实际需要,体现出了关系抽取在自然语言处理领域的实际意义。本课题以少样本关系抽取中的原型神经网络方法为基础,在原型神经网络的不同环节做出改进,最后将所有创新融合起来。循序渐进的解决不同发展脉络中遇到的关键问题,为关系抽取真正的应用于实际生产打下了坚实的基础。