信息抽取任务旨在从非结构化文本中自动抽取信息,并转换为结构化的三元组（实体-关系-实体）。根据三元组中的关系类别是否限定,信息抽取任务可以分为封闭域和开放域两类。其中,开放域信息抽取不限定三元组中的关系类别,从文本中抽取所有可能的三元组,为问答系统、信息检索和知识库构建等自然语言处理任务提供有力支持。目前开放域信息抽取工作大多在句子上抽取三元组,但在结构复杂的句子上学习抽取模板、制定抽取规则具有极大挑战。有研究者指出子句结构简单且通常只包含一个三元组,因此提出基于子句的抽取方法,通过子句识别将结构复杂的句子转换为简单的子句,大大降低了抽取三元组的难度。然而,现有工作将子句识别看作依存树上的边分类任务,存在错误传播问题。此外,目前的方法都使用人工制定的模板在子句上进行三元组抽取,但抽取模板的覆盖面窄且难以适应复杂的语言环境。针对以上两个问题,本文开展了以下工作:第一,针对现有子句识别方法中存在的错误传播等问题,本文将子句识别问题看作在依存树上的子树分类任务,提出一种动态递归神经网络学习包含全局句法信息的子树表达用于更有效的子句识别。实验表明,本文提出的子句识别方法优于现有方法,并且本文方法识别出的子句能有效提升后续关系抽取任务的效果。第二,针对目前子句上的关系抽取方法存在的覆盖面窄适应性不足等问题,本文提出使用深度学习方法在子句上进行关系抽取,通过自动学习语义信息更有效地识别三元组。此外,由于识别出的子句存在成分省略情况,导致三元组抽取不完整,需要对识别出的子句进行填充,本文提出基于深度学习的子句填充模型,自动捕捉深层次的语义信息识别句子上的子句省略成分并填充,然后在填充后的子句上使用本文提出的关系抽取模型提取三元组。实验结果显示,本文方法优于现有开放域信息抽取方法,证明了本文在子句上使用深度学习填充并抽取的有效性。