面向中文病历文本的实体及关系抽取任务是自然语言处理领域的研究热点,其目标是从医学文本中高效地、自动化地抽取出医学实体及关系。虽然当前基于深度学习的方法在信息抽取研究领域得到广泛应用,但针对中文医学信息抽取的研究工作仍然面临一些挑战:（1）中文医疗信息抽取数据集匮乏;（2）针对医疗这一特殊领域,病历文本包含许多晦涩医学术语,模型对病历中字和词特征的抽取仍然有限;（3）对于中文医学实体和关系抽取任务,现有的模型仍面临着识别重叠实体三元组以及整个医学实体边界和检测多类型医学概念关系的挑战。针对以上问题,利用神经网络模型对中文医学实体及关系抽取任务进行研究,主要研究工作如下:（1）针对中文医学实体识别任务,提出Well-Behaved Transformer模型。采用高性能的编码策略,分别对中文病历文本中的字信息和与该字相对应的所有词信息进行编码,从而减轻分词错误对获取词边界信息的影响。解决了传统字和词混合模型无法利用GPU并行计算的问题,提升了模型的训练速度。在CCKS 2019数据集、ALCD数据集以及人工标注的CEMR数据集上的F1值分别为84.98%、84.22%、83.29%。实验结果表明,该模型可以提高中文医学实体识别的性能。（2）针对中文句内医学实体及关系联合抽取任务,提出特定关系注意力指导的图神经网络模型。利用注意力指导的图神经网络感知句子中每个关系间的特征进而抽取句子中的实体关系,以关系指导实体识别。模型关注了各关系间的相关性,减少了实体识别中冗余关系带来的噪声,解决了识别重叠实体三元组的问题。在CMe IE数据集和人工标注的CEMR-RE数据集上的F1值分别为66.12%和75.30%。实验结果表明,该模型可提高中文句内医学实体及关系联合抽取的性能。（3）针对中文文档级医学实体关系抽取任务,提出Cross-Transformer和特定关系的神经网络模型。使用Cross-Transformer编码实体-句子结构依赖和文档中的字嵌入,进而构建实体-实体结构依赖和预测实体间的所有关系,通过特定关系实体解码器执行特定关系实体序列标注,通过该方法充分捕获局部细粒度语义信息。在人工标注的CEMR-DRE数据集上的实验结果表明,该模型的F1值为62.84%,可以提高中文文档级医学实体关系抽取的性能。