生物医学文献数量巨大,并且每天仍以极快的速度增长。在同行评审的期刊上平均每天有3000篇新的文章发表,截至2019年,仅Pubmed就有2900万篇文章。包含有关新发现和新见解的有价值信息报告将不断添加到本已大量的文献中。因此,越来越需要用于从文献中提取信息的精确的生物医学文本挖掘工具。生物医学命名实体数量巨大,命名规则不统一,实体构词复杂,给生物医学命名实体识别带来了很大的困难。传统机器学习算法对人工特征提取依赖很大,特征提取的好坏直接影响到实体识别的准确率。而在生物医学领域,人工提取特征以及标注数据集的成本都是非常巨大的。近年来,不依赖于人工特征的深度学习方法在许多领域都取得了很大的进步。本文提出一种Glove-字符级BLSTM-BLSTM-CRF的模型对生物医学命名实体进行识别。首先利用Glove模型训练单词具有语义特征的词向量,用BLSTM训练单词具有字符形态特征的词向量,两者结合作为单词的最终表示,输入BLSTM-CRF深度学习模型,对实体类别进行识别。实验结果表明,在不依赖任何人工特征及规则的前提下,该模型在JNLPBA2004生物医学命名实体识别任务中取得了较好的结果,F1值达到75.62%。本文引用Kindred关系提取库,在Biocreative Ⅱ和Biocreative V两个数据集上训练出蛋白质相互作用关系提取模型以及化合物和疾病关系提取模型。基于Django搭建生物医学文本挖掘系统,将前两个模型嵌入到系统当中为用户提供文献挖掘服务。