随着信息时代的发展,信息数据占据着人们生活重要部分。文本数据显得尤为重要。从文本中提取知识是人工智能领域的基础任务。目前,对实体和关系联合抽取任务的研究在自然语言处理（Natural Language Processing,NLP）中引起了越来越多学者的关注。其主要目标在非结构化文本中抽取实体和其对应关系。实体识别和关系抽取作为信息抽取基础任务,对于后续应用具有深远研究意义。近年来,随着深度学习的不断发展,进一步提升了信息抽取任务上特征表示的能力,加强了实体识别和关系抽取模型的性能。而传统的流水线方式是按照先实体识别后关系抽取的方式,依次完成两个子任务。上一级任务中的误差会传递到下一级任务中,同时忽略了相关两个子任务间的信息交互。本研究主要围绕着实体识别和关系抽取的联合方法展开深入研究,主要工作包括:针对实体关系重叠问题,设计了一种基于双向长短期记忆网络和图卷积网络模型的端到端多头选择联合抽取方法。通过长短期记忆网络获得序列信息前提下,引入了句法图卷积网络从空间上更好的识别句中词与词间的关系。在公开数据集上得到了验证。实体识别和关系抽取是具有关联的,现有部分模型忽略了实体关系交互性。针对实体关系信息交互问题,设计了一种基于关系注意力的图卷积网络信息交互抽取模型。通过多头注意力的自学习,有效学习文本特征信息。从关系出发,构建图结构学习新特征,将信息传递到实体上,实现实体关系信息交互。在公开数据集上对模型进行了验证,对比现有经典模型取得较好的效果。