生物医学领域的研究发展日益迅速,领域文献的数量呈指数增长,如何自动有效地从这些文献中提取有价值的信息变得越来越紧迫。生物医学文本关系抽取主要是对标记的医学实体之间潜在语义关系的展现,例如药物与疾病之间治疗关系、基因之间的突变关系、化学物质和疾病之间诱导关系等。目前,关系抽取任务大多采用深度学习的方法,该方法的主要优点是不仅减少了大量的人工参与而且还能自动捕获特征。然而现有的模型仍存在以下几个问题。一、目前没有很好的模型融合方法既捕获层次特征,又可以捕获序列特征,并且特征表示单一,不够充分。二、生物医学文献中的相关实体由于句式结构的复杂性普遍存在歧义性,模型鲁棒性差以及类别不平衡的问题。解决问题之前本文在DDI任务上对三种池化操作以及超参数进行评估,本文使用CNN和BLSTM模型作为评估的基准模型,使用不同池化操作,不同的Dropout值,不同的L2正则化,分别组合评估对基准模型的影响。并通过大量实验对比得到最优超参数组合并应用到本文提出的模型中。本文针对以上存在的问题,在药物和药物间相互作用（DDI）的任务上展开了研究。具体的研究内容如下:一、针对现在主流模型存在的问题,提出基于多通道Conv LSTM生物医学关系抽取模型,从多通道词嵌入和ConvLSTM两个方面减少对特征工程的依赖,并自动学习特征。本文基于六种预训练词向量设计了多通道架构用于捕获更丰富的特征。另外,Conv LSTM既可以实现LSTM所具有时序建模能力,还可以像CNN一样描述局部特征,这样既可以捕获时序特征还可以捕获局部特征。二、本文引入ELMo情境化词向量以优化样本存在的歧义性问题,同时引入对抗训练来增强模型对样本的鲁棒性;为了缓解类别不平衡所导致的训练偏置问题,提出带权学习的损失函数。实验结果表明,本文在DDI任务上取得了较好的F1值,证明了本文模型的有效性。本文研究对于DDI任务来说具有重要的意义,也对于药物安全以及药物治疗方面起到推进作用。