文档级关系抽取（Document-level RE）需要对多个句子进行阅读、推理与信息聚合。从我们的观点来看，文档级关系抽取有必要充分利用多粒度推理信息：实体粒度、句子粒度以及文档粒度。因此，如何获取并聚合不同粒度的推理信息，成为文档级关系抽取中的一项挑战，而这一问题在以往的研究工作中尚未得到充分关注。本文提出一种分层推理网络（Hierarchical Inference Network, HIN），以充分挖掘来自实体级、句子级和文档级的丰富信息。通过在多个子空间中对目标实体对应用翻译约束（translation constraint）与双线性变换（bilinear transformation），获取实体级推理信息；随后，建模实体级信息与句子表示之间的推理关系，以获得句子级推理信息；最后，采用分层聚合机制，整合上述信息以得到文档级推理表示。通过这一机制，我们的模型能够有效融合来自三个不同粒度的推理信息。实验结果表明，该方法在大规模DocRED数据集上取得了当前最优的性能表现。此外，我们还验证了使用BERT表示能够进一步显著提升模型性能。