关系抽取是信息抽取领域的重要环节。基于远程监督的关系抽取(Distant Supervision based Relation Extaction,DSRE)是当前的研究热点,其通过远程监督获得大量训练数据,有效的解决了传统监督学习训练数据不足的问题。远程监督假设:如果一个句子包含知识库中的两个实体,那么这个句子就表达了这两个实体在知识库中对应的关系。基于假设可以得到大量标注数据作为训练数据,然而由于假设并不总是正确的,导致生成的训练数据中存在大量的错误标注数据,会对实验结果造成不良影响。此外,通过远程监督生成的负例数据的数量远高于正例数据,研究者为了保持训练数据的平衡性,一般选取正例数据和部分负例数据作为训练数据,导致负例数据没有得到充分利用,存在较大的提升空间。针对DSRE中训练数据存在大量标注错误的问题,本文提出一种基于从句识别的去噪算法(Noise Reduction by Clause Identification,NRCI)。NRCI 算法首先使用从句识别算法将句子划分成从句,然后根据是否存在满足远程监督假设的从句来判断原句的标注是否正确。实验表明NRCI算法可以有效的降低训练数据中的错误标注数据,进而显著的提升远程监督关系抽取的准确率。针对DSRE方法中负例数据没有得到充分利用的问题,本文提出一种改进的半监督集成学习算法ETT(Extended Tri-Training)。ETT将DSRE方法中使用的训练数据作为标注数据,未使用的负例数据作为未标注数据,从而可以利用更加丰富的特征来获得更好的分类边界,取得了更高的分类准确率。