随着信息时代的到来,在人机交互中产生了大量的文本,音频,图像等非结构或半结构等形式存储的数据。其中文本数据居多,为了有效的提取文本中有价值的信息供人们使用,实体识别和关系抽取技术是自然语言处理领域的两项基本任务,旨在帮助人们挖掘出文本中具有实体意义的名称及其之间存在的关系,这对构建领域知识图谱,智能问答系统等具有重要的意义及价值。传统的关系抽取任务将实体识别和关系抽取分成两个独立的子任务,没有考虑两个任务之间的依赖传递性和两次对输入数据编码的信息冗余性,影响了抽取的效率和准确度。针对流水线式的抽取策略存在的不足,本文主要研究如何将两个任务进行联合抽取,主要的创新点和工作如下:（1）考虑到语言模型的建立对挖掘句子内部语义信息有着直接的影响,本文采用XLNet语言模型对输入数据建模词向量,但没有直接用训练好的字向量表示或词向量表示,而是用双向LSTM对输入的字向量提取特征,当用预测矩阵检测到前向LSTM和后向LSTM提取出的特征是同一个词的概率最大时,通过矩阵运算融合为词向量特征。这种向量表示策略既保留了中文以词成句的特点,也加深了词语中每个字的特征表示。（2）模型共分为了三个模块,分别为共享模块,实体识别模块和关系抽取模块。共享层实现了对两个任务输入文本表示的共同编码,实体识别结果和共享层的输出一起作为关系抽取模块的输入,关系抽取和实体识别可通过损失函数,利用反向传播算法一起更新共享层的参数,实现了真正的联合抽取。在1998人民日报一月份,COAE2016任务三和自构建经济金融领域小数据集作了实验对比与分析,验证了本文所提模型在实体关系抽取任务上的有效性。（3）根据研究理论成果,基于Python语言和前端框架相关知识设计了主要针对经济金融领域的实体关系抽取系统。系统可以直接提取出文本中的实体关系三元组,为构建领域数据集提供了技术支持。