在日常生活中,大量的信息通过自然语言文本作为载体进行传递。人们使用信息抽取的方法从非结构化文本中获取重要信息,命名实体识别和关系抽取是基础的两个任务,分别用于实体和关系信息的获取。人们通过共享底层参数的联合方法,将两个任务结合,在提升效率的基础上追求更高的性能。现有的联合抽取技术会产生冗余信息,增加模型计算的复杂度,对模型训练产生干扰。此外,命名实体识别作为其中一项任务,通过实际应用研究其技术要点,对推进联合抽取的发展具有重要意义。针对上述内容,本文主要的研究工作包括:设计了端到端的神经网络模型和标注体系进行实体和关系联合抽取。部分现有的联合模型通过使用一些自然语言处理工具获取句法和语法等特征信息,在模型训练过程中存在误差传播。而神经网络模型可以有效学习文本特征,避免了人工特征的限制。针对任务设计了动态记忆单元,可以动态地捕捉和存储输入文本中的关系信息,进行关系检测。同时可以利用存储的关系信息帮助进行命名实体识别,在实验中有效提升了模型性能。利用命名实体识别技术构建面向特定领域的文本自动化解析系统,比较不同编码器、解码器结构在试验中的性能,剖析命名实体识别的技术要点。