互联网和大数据时代的到来,大量信息以非结构化的电子文档形式展示,如何高效地结构化这些文本数据成为一个亟待解决的问题,信息抽取则在这一背景下应运而生。信息抽取研究旨在低成本地从复杂、冗余的文本中提取出高质量、结构化的可利用数据,极大地推动了自然语言处理研究的发展。关系抽取通过挖掘出实体间的关系类型信息,形成规则的实体关系三元组,从而将非结构化文本构建成结构化文本。其作为信息抽取的核心任务之一,在知识图谱、推荐检索、智能问答等人工智能领域中有重要意义和价值。近年来,越来越多的深度学习方法应用在实体关系抽取任务上,并取得了较为丰富的成果。但是这些基于深度神经网络的方法仍存在诸多不足。大多数基于卷积神经网络的模型为了获取文本的全局信息,只能堆叠多层,复杂化模型来增大感受野;而基于循环神经网络的模型虽然能学习较长距离的依赖,却难以实现并行化等问题。针对以上问题,本文设计出两种改进模型,一种是基于图卷积网络的关系抽取模型,另一种是基于BERT表征的关系抽取模型。本文的主要工作如下:（1）设计并实现一种基于权重图卷积神经网络的模型用于关系抽取。对于依赖型关系抽取任务,利用图卷积网络捕获依存句法树的依赖结构信息,通过逻辑邻接矩阵替代普通邻接矩阵的思想,对图卷积网络进行改进。并结合实体注意力机制,关注与实体对高度关联的全局信息进行关系预测。与普通图卷积模型进行对比,证明了该模型在关系抽取任务中的有效性。（2）设计并实现一种基于BERT表征并融合潜在实体类型的方法用于关系抽取任务。对于端到端的关系抽取模型,基于“预训练+微调”的训练方式,采用BERT预训练语言模型来提取文本的动态词向量表示。设计出多层级的注意力机制,首先从实体自身角度,学习实体的潜在类型表征,进行特征补充。再通过实体-文本注意力机制,捕获文本的关键性信息进行关系抽取。通过实验对比,证明了该方法可以提高关系抽取模型的性能。