近几年,大数据和人工智能等技术发展迅猛,通过自然语言处理等技术手段快速、高效地处理海量的文本数据已成为大数据时代应对数据爆炸式增长的重要手段。生物医学的蓬勃发展也促进了生物医学文献的高速增长,大量的无结构或半结构的生物医学文献中蕴藏着丰富、珍贵的生物医学知识,高效自动地抽取生物医学文本中的知识具有重要的研究意义。在生物医学的研究中包含很多生物医学实体名称,例如蛋白质、疾病、药物、脱氧核糖核酸和核糖核酸等,在这些实体之间存在许多的关系类型如蛋白质间的交互关系和药物间的相互作用关系。药物相互作用关系抽取旨在抽取生物医学文本中两个药物实体间的关系类型,药物间作用关系的研究对指导临床用药和保障患者的用药安全具有重要的意义。基于深度学习的方法是现在主流的应用于药物-药物相互作用关系抽取的方法,常见模型如卷积神经网络、循环神经网络及其变体形式。卷积神经网络和循环神经网络由于其模型自身结构的特点使得在单独使用时存在特征提取不充分的问题。针对这个问题,本文提出了一种双向GRU与CNN相融合的双层药物关系抽取模型,双向GRU层抽取文本的上下文依赖特征,CNN层抽取文本的局部细节特征。使用word2vec工具构建模型的输入向量矩阵,经过实验评估,基于双向GRU和CNN的融合模型取得了75%的综合测评率,模型性能较单层的神经网络模型有较大的提升,可有效地抽取药物实体间的作用关系。在文本分布式表示时,词向量所表征的特征向量仅仅停留在字、词和大小写等浅层词性特征上,文本句子的依存句法等信息没有被有效利用。对此,提出一种基于双通道卷积神经网络模型并加入依存信息和药物描述信息作为辅助药物知识数据库。在双通道卷积网络中,模型的输入是词向量加药物描述信息和词向量加依存信息,通过设置对照实验,探讨依存信息和药物描述信息对模型抽取性能的提升能力。经过实验验证,基于双通道卷积融合依存信息和药物描述的药物相互作用关系抽取模型的综合测评率达到了80.59%,依存信息和药物描述信息能有效提升抽取性能。本文提出的药物间关系抽取模型,实体关系识别性能优异,可以从浩如烟海的非结构化或半结构化生物医学文献中自动、高效地抽取出药物实体关系对,从而进一步的为指导临床用药和保障用药安全奠定了坚实的基础。