药物不良反应监测是监管药品安全的重要手段之一,如何有效地监测药物不良反应对公众健康有重要的意义和研究价值。已有药物不良反应监测的主要方法为临床试验和自发不良反应上报,两者均存在成本高、效率低等问题。近年来基于文本分类的药物不良反应监测逐渐成为研究热点,它可以充分利用已有的药物不良反应相关数据资源,自动监测药物上市后的不良反应。但目前存在以下问题:1)基于文本分类的药物不良反应监测数据来源主要为医学案例报告等,其文本长度较短,特征稀疏,需要组合医学领域知识和统计特征,且分类性能仍有待提高;2)基于卷积神经网络模型的方法初步被应用到药物不良反应监测任务上,但其大多使用基于通用领域语料库预训练的词向量,来表示药物不良反应文本,而较少使用基于医学语料库预训练的词向量。本文的主要工作如下:（1）基于组合特征的药物不良反应监测。结合医学领域知识和药物不良反应文本的特点,采用三种不同类别的特征:医学词典、N-Gram、主题模型,并对三类特征进行组合,包括医学词典+N-Gram、医学词典+主题模型、N-Gram+主题模型、医学词典+N-Gram+主题模型,比较和分析不同组合特征在朴素贝叶斯、逻辑斯谛回归、支持向量机和随机森林四种分类模型上的性能。（2）基于卷积神经网络的药物不良反应监测。卷积神经网络模型可以自动提取文本特征并进行分类。本文构建卷积神经网络模型,通过多卷积核提取丰富的局部特征,并使用基于医学文献语料库预训练的词向量将医学领域知识结合到模型中,比较和分析其在药物不良反应任务上的分类性能。在医学案例报告数据集ADE上验证了本文方法的有效性。实验结果表明:基于医学词典+N-Gram+主题模型组合的特征在支持向量机模型上的分类性能最优,₁值为83.54%,与当前最优结果相比,₁值提高了2.11%;基于医学文献语料库来源词向量训练的卷积神经网络模型分类性能₁值为88.31%,与基于组合特征的最优结果相比,₁值提高了4.77%;与当前研究基于卷积神经网络的最优结果相比,₁值提高了1.31%。