随着临床医学领域的文献日益增多,循证医学相关人员需要阅读大量医学文献以获取最新研究成果。尽管领域专家总结了临床证据供相关人员参考,但人工总结临床证据是费时费力的,因此自动抽取结构化临床证据成为加快循证医学实践的重要课题。现有关于结构化临床证据的研究通常为句子级别文献摘要或少数重要属性的识别,而面向结构化的临床证据抽取的相关研究极少。但句子级别摘要仍属于非结构化信息,不能够直接构建结构化临床证据,识别到少数重要属性也不足以全面描述临床证据。基于以上背景,本文研究了面向PICO框架的临床证据属性和关系抽取方法,尽可能抽取丰富的结构化信息。主要研究内容如下:（1）提出了面向PICO框架的层次化属性和关系抽取方法（Hierarchical Attribute and Relationship Extraction for PICO,HARE）,该方法包含两个步骤:句子划分和短语分类,句子划分采用Meta Map工具,短语分类使用面向PICO框架的层次化多类别分类方法。HARE中提出了用于短语分类的两个新样本特征:基于短语的最短依存路径特征,该特征获取长句中与待分类短语位置不相邻的重要信息;标签对样本的注意力特征,该特征根据样本统计信息得到描述标签的关键词,并强调描述标签的关键信息。HARE最终输出临床证据的候选属性和关系集合。通过特征消融实验和对比实验,本文证明了HARE方法中特征提取和分类方法的有效性。（2）提出了基于规则的临床证据生成方法（Rule-based Clinical Evidence Generation,RCEG）,该方法包括去除候选集合的冗余和基于规则生成三元组两个步骤。首先根据文本相似度去除候选集合中的重复信息,然后将描述属性和关系的文本转化为结构化临床证据的三元组。在三元组生成过程中使用基于规则的方法,包括:基于正则匹配生成患者年龄、受试样本排除标准和用药剂量,基于语义规则生成疾病或症状等。通过自定义的临床证据评估策略和人工评价,展示了RCEG方法生成的结构化临床证据的质量。（3）设计并实现了临床证据生成和可视化系统（Aceso Evidence,Aceso E）。该系统与现有研究相比,较为全面地识别了基于PICO框架的结构化临床证据中的属性与关系。Aceso E集成了HARE方法和RCEG方法,主要功能包括上传待分析的文献摘要、生成结构化临床证据、可视化临床证据和结果下载。综上所述,本文研究了面向PICO框架的结构化临床证据的属性和关系抽取方法:首先基于深度学习识别属性和关系的候选集合,然后基于规则生成结构化临床证据,最后设计并实现了临床证据生成和可视化系统。