关系抽取旨在识别非结构化文本中实体对之间的语义关系，现有方法无法灵活应用于开放域场景，如何在开集环境中自适应地进行关系抽取仍然是该领域的一项重要挑战。针对关系抽取场景中未知类别样本识别问题，提出了一种原型对比学习驱动的鲁棒性关系抽取方法。根据高斯分布为每个类别初始化可学习的原型中心，通过改进对比学习损失函数拉近同类样本到类别原型的距离，进一步通过增加正则化项约束样本输出概率分布与异类原型的差异。与对比方法相比，所提方法在3个数据集下的开集准确率比次优的模型分别提升了2.93%,3.16%,3.18%,且在闭集上的准确率没有降低，表明了模型能够在特征空间中拉近同类样本之间距离，推开异类样本之间距离，从而在不干扰已知关系类别的情况下，有效提升关系抽取模型对开放未知关系类别样本检测的鲁棒性。