药物关系挖掘（Drug-Drug Interaction Extraction,DDIE）是一项利用文本处理技术从生物医学文献中挖掘药物间相互作用（Drug-Drug Interaction,DDI）的任务,其研究成果对保证药物数据库的实时更新和高覆盖率具有重要意义。本文以生物医学文本为研究对象,主要针对DDIE任务开展如下研究工作:（1）现有的DDIE方法主要依赖额外的药物信息以达到更好的挖掘性能,但药物外部信息的前期收集和后期利用都需要消耗额外的时间和算力资源。本文提出了一种基于关键语义子句（Key Semantic Sentence,KSS）和梯度协调机制（Gradient Harmonizing Mechanism,GHM）的DDIE方法,在减少时间和算力资源的基础上,实现了与依赖药物外部信息的方法相当的性能。首先,前期调研发现了降低挖掘性能的两个原因:药物实体对与DDI关系词不匹配以及因实例被错误标注而引入的标注噪声。本文通过保留药物名的基础上增加药物实体标记强调药物实体对,并利用KSS删除实例中与药物实体对不匹配的DDI关系词来缓解不匹配问题。同时,该方法通过应用GHM Loss主动降低标注错误实例的权重缓解了标注噪声问题。该方法在DDIE任务的标准语料库DDIExtraction 2013上进行实验,达到了最先进的DDI挖掘表现,F1值为84.13%,填补了依赖和不依赖额外药物信息方法之间挖掘DDI的性能差距。（2）现有的DDIE方法均基于监督学习,容易受到训练集中标注实例的数量和质量的影响。本文提出了一种基于一致性训练的两阶段半监督DDIE方法。该方法通过一致性训练的方式利用大量的无标注实例辅助训练DDIE模型,减少了模型对有标注实例的需求量。进一步地,本文提出了一种结合药物知识的两阶段DDIE策略,缓解了因样本类别不平衡,无标注实例中的正例信息被淹没在大量的负例中,难以被有效利用的问题。通过主动改变DDIExtraction 2013语料库中标注实例的比例,该方法在10%标注比例下,挖掘DDI的表现达到了有监督模型的2.35倍,在40%标注比例下,超过了使用全标注实例训练的有监督模型,F1值达到了80.21%。（3）本文设计了一个药物关系挖掘原型系统,该系统具有药物实体识别,药物间相互作用关系挖掘等功能,能够辅助生物医学领域专家从生物医学文献中快速、准确地挖掘出有价值的DDI信息,从而保证药物数据库得到及时和有效的更新。本文提出的两个DDIE方法,当标注实例充足时,能在不依赖药物外部信息的条件下,高效地从生物医学文本中挖掘DDI;当标注实例不充足时,能够有效利用无标注实例和药物知识,实现高水平的DDI挖掘表现。