随着互联网的不断发展,网络数据的激增,互联网中的数据包含的信息也开始爆炸式的增长。如何快捷准确的从海量数据中抽取知识,并将提取的知识应用到各个领域成为当下研究的热点。目前对于英文隐含关系的抽取和实体识别有很多研究成果,但中文的研究却十分欠缺。为此,本文针对中文研究设计了命名实体识别和关系抽取的模型。传统基于特征的方法较为成熟,且提升空间有限,为了进一步提升模型的自动化和性能,本文着重研究了基于统计机器学习和基于深度学习的命名实体识别模型和关系抽取模型。本文模型以先进的词向量技术作为基础,以传统机器学习和深度学习的理论为指导,分析、训练、比较了模型的表现效果。本文主要工作包括如下几个方面:1.传统层叠马尔可夫的命名实体识别需要人工总结实体领域命名实体的构成规律。本文结合词向量技术,让模型学习命名实体的构成规律,增加算法的自动化程度,减少算法对先验知识的依赖,使该算法有更为通用的使用场景,提高其跨领域的使用。2.在关系抽取任务中,结合多种的词向量、深度学习理论构建模型。使用transformer,解决一词多义问题。并使用绝对位置嵌入和相对位置嵌入解决网络对语序信息的捕捉。3.构建了文本分析处理系统,系统集成多种自然语言处理相关模型。系统以低耦合强内聚等软件设计方法为依据,结合54种算法、存储和读取处理的模块。实现的文本的读取,预处理,信息抽取,抽取知识存储以及知识的查询与展示功能。