从2020年开始,新型冠状病毒肺炎在世界范围内全面爆发,并对全人类的生产生活造成了不可恢复的巨大影响,世界各个国家都损失惨重。以中国为代表的部分国家采取了及时有效的措施,遏制了疫情的发展传播,但是新型冠状病毒的变异毒株却一次次席卷重来,变异后的毒株在暴露条件下生存能力更强,生存时间更久,传染性更强。与此同时,新型冠状病毒肺炎的研究文献数量也急速增长。如果科研人员仅仅通过人工阅读的方式获取相关信息,巨大的数据规模将消耗大量的时间与精力。疫情迫在眉睫,因此通过生物医学数据挖掘技术获取文献的数据将帮助科研人员推进药物研制以及疫苗研发工作。对于生物医学数据挖掘工作而言,命名实体识别与关系抽取是两个关键任务,同时生物医学命名实体识别又被认为是生物医学关系抽取的一个子过程。生物医学关系抽取的方法分为基于规则的方法、基于统计学的方法和基于机器学习的方法。其中,基于机器学习的方法又可分为基于特征工程的传统方法以及基于深度学习的方法。通用领域的标注语料需要消耗大量的成本,由于生物医学数据的特殊性,因此生物医学标注数据更为稀缺。不依赖特征工程的深度学习方法逐渐成为主流。近年来,在众多通用领域深度学习方法中,“预训练语言模型+微调”的模型脱颖而出并且在各种数据挖掘任务上表现出优异的性能。但其在生物医学领域的工作中仍有很大的提升空间。因此,本文首先提出了一个面向新型冠状病毒肺炎的预训练语言模型,使用最新的新型冠状病毒肺炎的无标注语料,针对新型冠状病毒肺炎的领域性、专业性重新预训练,以此获得了三阶段预训练模型P3模型,提升数据挖掘下游任务的性能。生物医学关系的复杂性使得文本中不只包含简单的二元关系,甚至包含复杂的重叠关系。因此本文的第二个工作提出了一个新型冠状病毒肺炎多关系抽取模型。对于文本中出现的重叠关系本文提出了Entity-position的编码方式,引入实体在文本中的绝对位置与相对位置,将实体对之间的距离作为额外信息加入模型,充分利用各个生物医学实体之间存在的语义关系,提升了关系抽取模型的性能。最后,本文提出了一个新型冠状病毒肺炎知识图谱的构建框架。将新型冠状病毒肺炎的数据通过知识图谱的方式进行存储表示,并基于该知识图谱使用知识推理与时间切片的方法发现潜在的生物医学关系,并且使用路径发现的方法验证知识推理结果的准确性,为新型冠状病毒肺炎的药物研制和疫苗研发提供新思路。