在互联网越来越成为人类生活中不可或缺的一部分的今天，网络中存在的非结构化文本数量激增，如此庞大的数字资源给人们的学习和工作带来了巨大的困扰。如何帮助计算机理解这些文本内容，以此提高人们对网络信息的利用效率，已经成为一个亟待解决的关键问题。　　在对从信息中抽取重要实体及实体间关系的相关研究方法进行分析和研究的基础上，结合影响实体间语义关系抽取结果的相关因素，论文尝试探索词嵌入特征在实体关系抽取中的作用，试图将传统的文本特征与词嵌入表示结果结合起来，研究基于词嵌入模型的实体关系抽取方法，实现从非结构化数据中自动识别实体关系的新思路。明确论文要研究的三个关键问题:(1)利用基于特征的学习模型进行实体关系抽取时，词嵌入表示语义特征如何构建，哪些句子粒度特征对关系抽取结果贡献突出;(2)利用基于神经网络的学习模型进行实体关系抽取时，应该考虑哪些单词粒度特征，这些特征应该以何种形式呈现;(3)如何对句子粒度特征和单词粒度特征进行结合。论文针对这三个关键问题，重点开展了三个方面的研究:(1)在对利用基于特征的学习模型抽取实体关系的方法分析的基础上，提出了融合词嵌入表示特征的实体关系抽取模型，它从数据集中抽取实体的词嵌入表示级别特征、词汇级别特征和语法级别特征，以此训练分类器，应用词嵌入表示特征对句子粒度特征的情况进行分析。(2)在利用神经网络模型的研究中，提出了基于卷积神经网络的实体关系抽取算法，利用单词相对实体的原始位置信息作为一维单词粒度特征，通过将它与词嵌入表示向量结合，自动识别实体间的语义关系。(3)提出了融入句子粒度特征的神经关系抽取方法，将有效的传统的句子粒度特征融入到神经关系抽取模型中，与单词粒度特征结合抽取关系，并使用实体间的最短依存路径信息，实现关系自动抽取。　　论文采用来自于SemEval2010任务8提供的数据对提出算法的有效性进行实验，将算法识别的结果同测评人员标注的结果进行对比。实验结果证明论文提出的方法能够很好地自动识别文本中实体间的语义关系类型，达到了提高人们利用非结构化网络信息效率的目的。