关系抽取任务作为自然语言处理领域的一项重要子任务,其目的是从非结构化的自然语言文本中抽取出结构化的关系三元组,抽取结果可以应用于智能搜索、智能问答、事件抽取、知识图谱构建等。在深度学习的有监督关系抽取领域,关系抽取任务可以看作关系分类任务。本文对通用领域的关系分类任务进行调研分析后发现,在基于预训练模型的关系分类当中,往往仅利用实体信息进行关系分类,而对句法信息的利用不足。如何利用句法信息提升关系分类模型的性能是个问题。针对这个问题,本文的研究工作如下:本文提出了一种基于依存句法分析和预训练模型的关系分类方法。该方法使用开源工具对文本进行依存句法分析,在分析结果中找出实体间的依存路径,使用此路径上的信息为模型提供句法信息。同时利用BERT编码器进行编码,最后将句向量、实体向量和依存句法向量拼接,作为关系最终表示并进行分类。在SemEval 2010 Task 8数据集上的结果显示,该方法取得了89.97%的F1值,比基线模型提升了0.72%,证明该方法具有良好的性能。通过对该方法的结果分析可知,仅使用实体依存路径会为模型带来噪声,为解决此问题,本文提出融合依存句法树的GCN（图卷积神经网络）关系分类方法。此方法不再仅利用部分句法信息,而是融合了整个句法树的结构,获取节点之间的特征。在相同数据集上得到了90.08%的F1值,对结果的分析可以证明此方法减少了实体依存路径带来的噪声。本文设计并实现了关系分类系统,可以根据输入以及选择的模型对分类结果进行展示。