生物医学事件抽取旨在从生物医学文本中抽取出细粒度分子水平的交互过程,并将抽取结果以结构化的方式表示出来,进而可以帮助相关领域知识库和知识图谱的构建。尽管根据不同策略,国内外学者提出了多种生物医学事件抽取方法,但是由于生物医学领域的特殊性,已有方法的效果并不理想。首先,生物医学文本中通常包含大量的领域专有名词和缩写,导致相关的文本表示学习十分困难。其次,在生物医学文本中,一个句子里包含多个事件是一种常见的现象,而且这些事件之间往往会有一定的语义关联,传统方法大都无法有效地抽取这类事件。最后,对生物医学文本进行标注需要标注者具有一定的领域知识,而且耗时费力,导致有标签生物医学文本的规模十分有限,对事件抽取模型的训练造成了很大的阻碍。鉴于此,本文将强化学习和自监督学习的相关理论应用于生物医学多事件抽取任务。具体地,本文的主要工作如下:（1）针对句子中存在多个事件的问题,本文提出了一个基于强化学习的多生物医学事件抽取模型。在该模型中,事件触发词识别和事件元素检测分别被视为主任务和附属任务。在主任务中,触发词的事件类型识别被设置为强化学习框架中的“行动”,而相应附属任务中的事件元素检测结果被用来计算当前“行动”的“奖励”。同时,已抽取的事件还被建模为“环境”的一部分,以帮助后续的事件抽取任务。此外,为了在一定程度上解决生物医学文本建模的问题,该模型中还引入了外部生物医学知识库,用于改善生物医学文本的词表示学习。在两个典型的生物医学事件抽取数据集MLEE和GE13上的实验结果证明了该方法的有效性。（2）针对生物医学领域有标签数据稀缺的问题,本文提出了基于自监督学习的多生物医学事件抽取模型。在该模型中,利用自监督学习方法设计了五种数据扩充策略,并通过预训练的方式改善生物医学文本表示,一定程度上缓解了有标签数据稀缺的问题。此外,通过改进强化学习框架中采取“行动”的策略,减小了模型的选择空间,降低了由事件类别不平衡对模型事件抽取性能的影响。在两个常用的生物医学事件抽取数据集MLEE和GE13上的实验结果证明了所提出方法的有效性。