随着互联网技术的持续发展,现存互联网用户数量庞大且仍在继续增长,因此网络安全技术的关键性愈发重要。知识图谱作为一种能够从海量、异构数据中挖掘出有效信息及他们之间语义关系的技术,近年来成为研究热点。本文旨在研究网络安全领域的中文知识图谱构建过程中所涉及到的关键技术,主要集中在研究知识抽取阶段的关键问题,即:网络安全命名实体识别技术及网络安全实体间关系抽取技术,针对这两个任务本文主要的工作如下。（1）本文在第三章首先提出了一种应用在网络安全领域的中文文本语料上的命名实体识别方法,该方法研究了作为象形文字的汉字的字形属性,使用了卷积神经网络进行汉字部首的特征提取,同时引入中文语料训练的BERT（Bidirectional Encoder Representations from Transformers）预训练模型共同得到神经网络的输入特征表示,将最终的特征表示向量输入到针对实体识别任务改进的Transformer中进行特征提取,最终结合CRF（Conditional Random Field,条件随机场）层获得每个字符的实体标注结果预测,达到实体识别的目的。在实验部分,本文在多个公开的中文命名实体识别数据集上分别进行训练和性能测试,实验结果表明本模型是有效的,尤其在Weibo NER（Named Entity Recognition,命名实体识别）数据集上表现优秀。后续,利用爬虫技术收集网络安全领域相关的文本语料,在其上构建网络安全实体识别数据集进行性能测试,同样具有可观的性能表现。（2）针对实体关系抽取任务,本文在第四章同样以中文BERT预训练模型为基础,对训练语料进行特殊处理,使用特殊符号将句子中的实体标记出来,经过BERT模型之后可以得到确定实体的隐状态向量表示,之后再结合自注意力机制获得实体的每个组成字符与整句的注意力得分并进行加权平均得到该实体的最终向量表示,后续使用由全连接层和激活函数组成的神经网络结构进行关系预测。本模型结构简单,但在公开数据集及自建的领域内关系抽取数据集上的实验结果表明其在公开数据集上的表现优秀,证明了本章所提出的模型的有效性。（3）在完成网络安全领域内命名实体识别和实体间关系抽取任务后,本文在第五章设计并实现了一个自动化的语料获取及图谱构建系统,同时在此图谱之上构建了一个领域内的信息检索系统,其包含了简单的图谱查询功能和基于规则的智能问答功能。