当病人同时服用两种或多种药物时,一种药物的功效可能会受到另一种药物的影响,这种现象称为药物相互作用(Drug-Drug Interaction,DDI)。及时掌握最新DDI信息有助于保证药物安全,促进生物医学技术的进步。药物关系挖掘(Drug-Drug Interaction Extraction,DDIE)任务主要分为两部分:文本表示模型和语义分类模型。本文针对DDIE任务,提出了多种深度神经网络模型,主要研究内容包括:(1)针对目前自然语言表示模型无法充分表达文本语义的问题,提出一种基于层次GRU的文本表示模型。该模型以词向量作为输入,使用GRU模型和Self-attention模型获得文本语义信息,提高自然语言文本表示模型的性能。该模型分别在三个不同的数据集上进行训练和评估,分别取得80.45%、64.21%和84.60%的准确率。(2)针对DDIE领域内的现有语义分类模型结构较为简单,无法充分学习有效特征的问题,提出一种深度卷积神经网络模型(DDNet)对单词进行卷积操作。深度神经网络的非线性映射能力更强,可以对DDI文本提取更丰富有效的特征,达到更好的模型性能。在DDIExtraction 2013语料库上的实验分类结果F-score为84.50%,相较于简单的浅层神经网络,DDNet有更好的语义挖掘和分类能力。(3)针对CNN模型无法有效地学习药物关系文本中时序信息和后向修饰信息的问题,提出一种层次化双向CNN-LSTM模型(BiCLSTM)。该模型中的双通道分别处理药物关系文本的正向和逆向文本,然后将学习到的正向和逆向特征进行整合,以表示整个句子的完整语义。实验结果表明,相较于DDIE领域中现有的模型,BiCLSTM模型取得了较好的性能(F-score为87.07%)。综上所述,本文提出多种深度神经网络能够有效地应用于DDIE文本表示和语义分类任务。快速准确地从药物关系文献中获取DDI信息,对制药机构和病人科学地制药和用药有十分重要的指导意义。