当前随着人们对快捷获取知识的渴求和自然语言处理的快速发展,实体关系抽取技术作为该领域经久不衰的重要研究方向,对于领域知识图谱的构建和各种自然语言处理应用,它都具有重要贡献。虽然关系抽取技术已经发展出了各种层出不穷的理论,但是自动化抽取的精准性不能达到较好的实用性。而基于深度学习的方法,比如传统管道方法存在错误传播和信息冗余,联合抽取方法存在实体重叠、关系类别标签不平衡问题,最终会导致关系抽取模型总体精度不高。因此本文基于深度学习联合实体关系抽取方法,针对上述存在的问题,进行了理论研究和实验分析,提出了一些针对实体关系抽取算法模型的改进和创新:（1）针对实体关系抽取算法难以完成对单句中的重叠实体关系和局内多种三元组的精准抽取难题,深入研究Bi-LSTM实体关系抽取框架,提出一种有序结构编码指针网络解码的实体关系抽取模型。改进的联合实体关系抽取模型在输入层加入生成对抗扰动项,在编码层使用改进的有序长短期记忆网络,在解码层使用指针网络,解码层采取先识别头实体,再共同识别尾实体和关系的提取策略。经过实验表明,改进的网络在提取句子重叠实体关系上总体精度有较好的提升,在对句子含有不同个数三元组的提取上也有良好的提升,说明本文改进的网络对比其他网络具有更好更稳定的抽取性能。（2）针对指针网络加剧关系类别标签不平衡问题,在编解码网络的基础上,提出了一种基于细粒度语义信息增强的实体关系抽取方法。传统模型在训练关系样例的过程中偏向于训练样例数较多的关系,这会造成模型精度虚高,对于样例数较少的关系训练和抽取都不太友好。而本文通过提出一种构建细粒度关系类别词典的方法,使用注意力机制赋予样例数较少的关系更高的权重,从而减少实体关系抽取过程中的样本不平衡问题。其次,引入上下文信息和实体类型信息,构建出细粒度语义信息增强模型来帮组提高模型抽取实体和关系的能力。最后,经过实验表明本文模型在关系类别标签样本不平衡问题上有明显改善,对比其他模型,在NYT标准数据集上总体精度提高4.5%,在WebNLG标准数据集上总体精度提高6.8%。（3）针对当前问答系统只能基于问答对完全匹配才能得到答案,不能很好地理解用户意图。本文使用改进和提出的关系抽取算法模型结合问答系统相关技术,构建改进的问答系统,做到有效地识别用户意图,从而得到用户所需答案。