近年来,随着生物医学文献数量的飞速增长,如何从这样庞大的生物医学文献资料中快速高效地抽取出有价值的信息是当前急切需要解决的问题。生物医学领域中的命名实体识别（如疾病、化学物、基因/蛋白质等）和关系抽取,对生物医学知识图谱的构建、精准医学和新药研发等工作具有非常重要的意义。本文在生物医学领域的文本挖掘领域进行了以下三个方面的研究工作:（1）基于机器阅读理解（Machine Reading Comprehension,MRC）的跨类别命名实体识别。相比于传统的序列标注方法,采用机器阅读理解框架的命名实体识别可以通过在问题中嵌入先验知识来提升识别性能,并且可以通过不同的问题来联合多个语料同时训练,从而提高模型共享部分的训练语料。实验结果表明,该方法在常用生物医学命名实体识别语料上能够取得更好的性能。（2）基于机器阅读理解和实体片段分类的关系抽取。在机器阅读理解框架的基础上,利用已知的实体信息直接进行建模,避免了传统MRC方法所带来的假正例问题,从而更好地识别实体间的关系。实验结果表明,该方法在化学物-蛋白质关系抽取（CPI）和药物药物关系抽取（DDI）等两个任务上均取得了更好的性能。（3）基于机器阅读理解的生物医学实体关系联合抽取。利用机器阅读理解框架对生物医学领域的实体识别和关系抽取两个任务进行联合学习,并制定了一些规则来约束关系抽取的结果。联合学习充分利用了两个任务之间的依赖关系,促进了关系抽取性能的提高。在CPI和DDI两个任务上的实验表明,实体识别和关系抽取的联合学习方法在性能上优于单一任务的关系抽取。