Ogromna količina ljudskog znanja zapisana je u nestrukturiranom obliku, a pretvaranje znanja u strukturirani oblik, proces poznat kao ekstrakcija znanja, često je složen, skup i vremenski zahtjevan. Cilj ove doktorske disertacije je razvoj modela za ekstrakciju znanja iz teksta na hrvatskom jeziku te korištenju znanja prikazanog u obliku semantičkog hipergrafa. Predloženi model objedinjuje razvoj preciznijih modela za automatsko označivanje vrsta riječi, automatsko ovisnosno parsanje teksta te automatsko označivanje semantičkih uloga koje se temelje na arhitekturi duboke neuronske mreže i učenja prenošenjem. Za učenje prenošenjem, u zadatku automatskog označivanja vrsta riječi, korišten je BERT model čija se arhitektura temelji na mehanizmu pažnje. Za korištenje ekstrahiranog znanja razvijen je mehanizam za zaključivanje koji se temelji na upotrebi rječnika predikata i ulančavanju pravila unaprijed. Mehanizam koristi metode za pretraživanje znanja koje se temelje na semantičkim ulogama i vektorskim reprezentacijama. Istraživanje je provedeno na hr500k korpusu i posebno razvijenom SemCro korpusu koji je korišten za vrednovanje semantičkog hipergrafa i kvalitete ekstrahiranog znanja. Metrika korištena za usporedbu strukture hipergrafa temelji se na sličnosti matrica susjedstva. Predloženi BERT model je ostvario bolje rezultate u odnosu na referentne modele. Predloženi model prikaza znanja nalazi svoju primjenu u inteligentnim sustavima koji se temelje na znanju i u drugim zadacima obrade prirodnog jezika kao što su sažimanje teksta, razrješavanje koreferencija, odgovaranje na pitanja i slično. Razvoj, vrednovanje te implementacija prototipa inteligentnog sustava za ekstrakciju i korištenje znanja prikazanog semantičkim hipergrafom dodatni je znanstveni doprinos ovog rada. Osnovno ograničenje ovog istraživanja je veličina SemCro korpusa za treniranje i vrednovanje.