作为前沿热门交叉学科,生物医学领域涵盖了包括生物学、生命科学、医学和计算机科学等多个学科的专业知识,该领域的研究也因此得到了研究者的广泛关注。最近几年,研究者在生物医学领域取得了非常大的研究进展,该领域专业文献的数目也随之呈指数增长,进而导致研究者在获取所需信息时通常需要翻阅大量的文献。因此,通过文本挖掘技术,从生物医学领域的无结构专业文献中抽取有价值的生物医学信息对于推动该领域的研究而言具有重要意义。关系抽取是生物医学信息抽取的关键任务之一。目前主流的关系抽取技术普遍是基于句子级别的,即主要关注于抽取同一句子中的两实体关系。在篇章关系抽取任务中,关系中的两个实体不再处于同一句中,而是横跨多个句子,从整体上对概念级的关系进行表示,相比句子级关系抽取具有更大的难度。基于此,本文首先提出一种基于多示例学习的方法来进行篇章级别的生物医学实体关系抽取。该方法根据多示例学习思想,为每个候选实体对构造多个关系示例,有效缓解了单示例方法在进行句间关系抽取时由于单示例可能存在噪音而损害模型性能的问题,与可比较的主流方法相比,该方法获得了最好的性能表现。另外,生物医学领域的人工标注数据规模通常较小,这会导致模型训练不够充分,进而影响系统的关系抽取性能。针对该问题,本文在引入远程监督的同时,提出一种融合领域知识的方法来进行关系抽取。该方法首先通过远程监督将现有知识库和生物医学文献对齐,生成了大量标注数据,进而扩大了训练集,在一定程度上增强了模型的学习能力。同时,该方法对领域知识的融合进行了初步探索,通过将领域知识信息与文本语义信息融合,来进一步对系统的关系抽取性能进行改善。实验结果表明,该方法可明显提升系统的性能表现。最后,语言模型预训练方法在众多自然语言处理任务上都获得了先进结果,这引起了研究者的广泛关注。为了探索预训练语言模型在生物医学关系抽取任务上的表现,本文在现有关系抽取模型的基础上引入预训练语言模型。即首先通过大规模无标注的生物医学数据对语言模型进行预训练,然后将语言模型的文本表示当作特征加入到关系抽取模型中,最后输出关系预测结果。实验结果表明,融合了预训练语言模型的关系抽取方法获得了明显的性能提升。