实体关系抽取是信息抽取的核心任务之一,其目标是从文本中识别实体并抽取出实体间的语义关系。实体关系抽取是构建知识库、知识图谱的重要步骤,在智能问答、基于关系的搜索引擎和机器翻译中应用广泛。然而,相较于通用领域,油气勘探领域的实体关系抽取面临着缺少训练数据的挑战。人工标注训练数据代价昂贵并且目前已有的标注方法无法自动化标注大量高质量的训练数据。另一方面,油气勘探领域实体和关系种类多样,难以预定义全部的实体和关系类型。针对油气勘探领域实际情况与现有研究的不足,本文主要开展了以下两个方面的研究:（1）为了解决油气勘探领域实体和关系类型复杂且缺乏大规模训练语料的问题,本文提出了一种基于句法结构的开放实体关系联合抽取模型CSSEM（Chinese Syntactic Structure Extraction Model）。CSSEM利用句法信息并基于少量的标注语料自动学习实体和关系抽取模式。在此基础上,给出了一种基于抽取模式的实体识别方法。最后,结合实体识别方法和关系抽取模式直接从非结构化文本中开放式地抽取实体和关系。基于准确率、召回率、F值、AUC等评价标准,CSSEM与其它模型在新闻、生物、勘探领域的数据集上进行了实验比较,结果表明CSSEM取得了较好的效果。（2）为了利用文本中的辅助信息来进一步提高实体关系抽取的质量,提出了一种利用辅助信息的基于卷积神经网络的中文抽取模型CREBAI（Chinese Relation Extraction Based on Auxiliary Information）,该模型使用卷积神经网络对来自文本的句子进行编码,并利用从训练数据中挖掘的附加辅助信息来改进关系抽取的性能。此外,在CSSEM模型抽取模式的基础上,提出了一种基于模式自动标注数据的算法ATDBOPs（Annotating Training Data Based on Patterns）,该算法为CREBAI模型提供了训练语料。CREBAI与其它5种模型在2种基准数据集上进行了实验比较,实验结果验证了CREBAI利用辅助信息进一步提高了油气勘探领域关系抽取的性能。