随着司法体制改革的不断纵深发展,法律文书数字化的程度不断提高,网络上可获得的法律文本信息实现了指数级的增长。但不同种类的法律文本书写规范相异较多,难以通过规则直接进行文档理解和知识分析。因此越来越多的研究者将自然语言处理技术应用到法律文本,通过信息抽取将非结构化的文本转化为结构化的数据,促进了司法信息化发展,提高了司法效率。信息抽取包括命名实体识别、关系抽取和事件抽取,目的在于抽取出文本中的实体关系信息以及事件信息,对知识图谱、信息检索和智能问答等任务都有重要作用。命名实体识别和关系抽取目前一般通过联合学习完成,旨在同时抽取文本中的实体关系信息,并以关系三元组结构作为输出;事件抽取任务旨在抽取文本中的事件信息,确定触发词、事件类型、事件论元以及论元角色。基于此本文对上述内容进行分析实验,主要工作如下:（1）针对法律文书中关系三元组的抽取问题,本文提出了一种基于预训练语言模型的实体关系联合抽取方法,利用端到端模型直接输出文本中的实体关系三元组。研究者通过在标签空间融合关系信息的策略将三元组抽取问题转化为序列标注问题,然后利用自定义规则完成实体关系抽取。同时针对司法领域数据集的缺失问题,研究者人工构建了关系抽取数据集,模型在该数据集上取得了较好的抽取效果。（2）针对法律文书中存在的复杂关系问题,本文提出一种基于语法增强和多头注意力机制的关系抽取方法。本文首先通过有序神经元—长短期记忆神经网络注入语法信息,然后引入多头注意力机制分解复杂的重叠关系。相较于流水线方法和其他联合学习方法该模型抽取效果最佳,在实验文本数据集上抽取结果的F1值达到了最优效果。（3）针对实际业务中对于犯罪事实的表达需求,本文提出一种基于阅读理解模型的事件抽取方法。本文首先根据不同的语义丰富度人工构建不同的触发词识别模板,探究阅读理解机制对于触发词抽取的增益效果;然后基于规则构建事件特定的论元抽取模板,将角色的语义信息融合进候选论元的识别过程,同时基于动态阈值策略完成论元抽取。实验结果证明提出的方法在法律领域的事件抽取中得了最好的效果。