关系抽取旨在从文本中抽取已知实体之间的语义关系,并形成如{实体1-关系-实体2}形式的结构化三元组。句子级关系抽取中通常文本较短,其语法结构和语义信息完整性较低,存在严重的特征稀疏问题,很难从原始文本中获取足够的分类特征对实体关系进行良好建模。此外,由于关系实例文本通常包含多个实体对,目标实体对的位置、语义、结构等信息的缺失使得神经网络学习关系表示时受到“干扰实体对”的影响,难以对目标实体对精准定位,对以实体对为中心的句子结构信息和语义信息获取不足,造成错误识别。当前特征工程和神经网络是关系抽取研究中主要的研究方法,针对特征工程方法可通过人工构建的有效特征将先验知识引入模型,神经网络方法可自动从原输入文本中提取抽象特征等特点。本文提出深度特征工程方法,旨在将二者的优点在关系抽取任务的研究中进行结合,主要工作如下:（1）提出结合实体特征的深度关系抽取方法:传统基于神经网络的关系抽取方法以原文本作为模型输入,无法获得关于目标实体对的位置及语义信息的问题。本文利用实体特征锁定目标实体对,同时结合预训练语言模型（Bidirectional Encoder Representation from Transformers,BERT）与卷积神经网络（Convolutional Neural Networks,CNN）构建了BERT-CNN模型,结合实体特征获取以目标实体对为中心的句子结构特征和实体语义特征。实验结果表明该方法在ACE 2005中文、ACE 2005英文和CLTC三个数据集上分别提升关系抽取性能3.7%,5.0%,和11.2%。（2）提出结合复合特征的深度关系抽取方法:特征工程方法无法自动获取抽象语义特征,传统神经网络对句子结构特征把握不足,结合特征工程与神经网络构建神经化特征融合模型,设计多种复合特征,并在不同类型的复合特征上采用相应结构的神经网络提取抽象语义特征和句子结构特征。实验结果表明该方法在ACE 2005中文和CLTC两个数据集上分别提升关系抽取性能8.0%和16.5%。