高速发展的自然语言处理技术已越来越频繁地在生活中应用,人们通过这种技术进行兴趣推荐、机器翻译以及制作问答系统等。现今自然语言处理应用都集中于英语或现代汉语上,但在古汉语的应用上还比较匮乏。之所以研究力度还不够是因为古汉语的和现代汉语之间存在一定的差别,大部分古汉语文本都是无结构化的数据,且同一个人物在同一部作品中存在使用不同名称的问题,如何将无结构化的古汉语文本转换并解决一人多名的问题是本文的重点。同时本文还提出了一种新型神经网络模型进行实体间的关系抽取,可以用于对古汉语知识图谱进行知识扩充。本文的研究重点在于古汉语数据的处理并根据获得的数据构建知识图谱,课题选取的语料为中国的古典文化著作,古汉语文本属于无结构化的数据,需要先对其进行数据清洗,将处理后的数据存储于图数据库中并实现查询或其他功能。我们使用小说作为原始语料,首先对其中的每一个句子进行分词,对分词之后的语句进行命名实体识别,之后利用第三方知识库对识别实体之后的数据进行关系标注获得结构化数据。该数据集由实体、实体间的关系以及实体所存在的语境构成,我们去除引入的部分噪声数据。之后在本实验中提出了一种算法,解决结构化文本中存在的一人多名问题。本文另一项工作是提出了一种新型的神经网络结构BLSTM-CNN运用在关系抽取任务中,模型的思想主要来源于双向长短期记忆网络和卷积神经网络,实验证明该模型在实体关系分类中表现优异,在经典的关系抽取任务SemEval2010_task8上取得了非常理想的效果,优于如今广泛使用且取得最好效果的基于自注意力机制的双向LSTM模型。之后将这种神经网络模型应用于清洗后的古汉语数据集进行关系预测任务。最后利用抽取结构化数据中的三元组,建立知识图谱,并对古汉语间的实体关系进行可视化展示。