随着互联网用户数量的不断增加,人们对于互联网上的知识需求规模日益庞大。因此如何搜集、整理和运用这些知识成为了一个重要的课题。而抽取实体关系的过程就是获取大量人们需求的有用信息的过程。其中详细、准确、有效的药物关系抽取有助于生物医学的研究和发展。针对传统词向量表示方法不能充分表示相关词的关联性和包含上下文信息的问题,采用一种Bert预训练模型微调的模型方法。首先将数据集文本内容中变化较多,表达多种多样的药物名称替换为常用的单词表示,然后通过Bert预训练词向量表示方法得到充分包含上下文语义信息的向量表示,将得到的包含全文语义的词向量拉平得到对应的句向量,最后将得到的句向量加入全连接层进行药物关系分类处理。使用Bert预训练模型微调方法在DDIExtraction 2013药物关系抽取数据集作为训练和测试文本数据时取得了70.25%的F值。为了缓解在文本处理任务中经常出现的长距离依赖问题以及不能充分将注意力放在我们更为关注的字词上的问题。提出一种融合Bert预训练词向量表示、LSTM深度学习网络和注意力机制的融合模型。首先,使用Bert模型方法获取语义表达更为准确的词向量,其次,通过有效解决长距离依赖问题的LSTM模型,并且加入注意力机制更多的侧重关键信息,最后通过全连接层进行药物关系分类,实验结果表明,使用Bert+LSTM+Attention融合模型方法后,在DDIExtraction 2013药物关系抽取数据集f值达到了71.02%。