随着生物医学领域的不断发展,大量的学术科研成果以论文和文献的方式进行呈现和传播。因此,巨量的论文和文献形成了一片知识的海洋,亟待学者们进行发掘研究。生物医学实体关系抽取是利用自然语言处理相关技术,从生物医学文献中自动地抽取出生物医学命名实体以及实体之间存在的关系。这种抽取技术能够帮助领域内的研究学者高效的发现和学习相关知识,从而进一步推动生物医学领域的发展。本文的研究主题是“生物医学实体关系抽取”,具体研究内容可以被细分为两个部分:1)生物医学命名实体识别技术研究;2)生物医学关系抽取技术研究。本文提出了基于强化训练的命名实体识别方法REIN-NER。REIN-NER将命名实体识别任务定义为词级别的分类问题。首先通过对初始识别模型（P-net）进行预训练,使其具备“捕捉输入和类别标签之间映射关系”的能力。然后通过设计“标签序列评价体系”给予模型识别反馈,并进行强化训练,使模型进一步具备“捕捉标签类别之间依赖关系”的能力。与当前流行的实体识别方法相比,REIN-NER方法既没有使用参数量庞大的预训练模型,也没有使用经典的条件随机场模型,仅仅使用长短期记忆网络以及强化训练机制就使模型拥有出色的表现。该方法在两个疾病名识别任务以及一个化学物识别任务上均取得了优秀的性能表现。本文提出了基于三元损失训练策略的关系抽取方法TL-BERT。该模型首先使用设计的三元数据生成规则从训练数据集生成三元数据。然后使用基于BERT的特征提取器从三元数据中提取句子级和实体级特征。最后基于句子级和实体级特征,计算三元损失和交叉熵损失来训练关系分类模型。与其他流行的关系抽取方法相比,本方法开创性的使用三元损失训练策略对模型进行训练,解决了“来自同一个句子但属于不同类别的实例难分类”的问题,提升了关系抽取的性能。该方法在蛋白质-蛋白质关系抽取（AIMed、Bio Infer语料）和药物-药物关系抽取（DDI-Extraction 2013语料）上均取得了优异的性能表现。