自然语言处理中的信息抽取任务是指抽取自然语言文本中的实体、实体关系和事件等结构化信息,是一种将非结构化或者半结构化的文本数据,转化为结构化信息的技术。随着互联网的飞速发展,网络上存在越来越多的以文本形式存在的数据,如何快速将大量无结构的文本数据转化为有结构的信息,为下游应用提供数据支撑,是信息抽取需要解决的问题。信息抽取的具体任务包括命名实体识别、实体关系抽取和事件抽取。其中,命名实体识别与实体关系抽取通常被合并为实体关系联合抽取任务,是信息抽取中的核心任务。通过对文本信息建模,自动抽取出文本中的命名实体、实体类型以及实体之间的关系,抽取结果通常以三元组（头实体,关系,尾实体）的形式呈现。随着深度学习的快速发展,越来越多的实体关系抽取研究开始基于深度学习进行。本文研究了实体关系联合抽取算法,提出了基于多层二进制标注的实体模型与关系模型,并在此基础之上此构建了基于多任务学习的实体关系联合抽取模型,主要工作如下:（1）针对实体抽取任务中,同一实体多种类型、多个实体嵌套的问题,构建基于多层二进制标注的实体抽取模型,以多层二进制标注的方式对文本序列中的实体位置及实体类型进行标注,可以缓解传统序列标注模型无法解决的嵌套问题。（2）针对关系抽取任务中,单一实体嵌套（头实体嵌套、尾实体嵌套）、多重实体嵌套（头尾实体同时发生嵌套）的问题,构建基于多层二进制标注的实体关系抽取模型,基于前序步骤抽取到的头实体,采用多层二进制标签标注不同关系类别下的所有尾实体,可以有效提高嵌套实体关系的抽取效果。（3）针对实体抽取与关系抽取任务之间流水线模型的误差累积传递问题,采用多任务学习的方式,对实体抽取模型与关系抽取模型采用统一的特征编码神经网络,将两个任务联合优化,从而缓解顺序抽取过程中存在的误差累计传递问题,提升联合抽取模型的整体性能。（4）针对实体抽取与关系抽取两个任务之间的信息交互问题展开研究,分别提出基于输入层的信息交互、基于注意力机制的信息交互方式,以进一步增强两个任务之间的信息交互。基于上述两种信息交互方式及多任务学习方法,分别提出了基于输入层信息交互的实体关系抽取模型、基于注意力机制信息交互的实体关系抽取模型。