生物医学文献已发展成为一座亟待探索挖掘的知识宝库,是生物医学领域研究中非常重要的数据资源。面向生物医学文献的化学物蛋白质关系抽取,即从无结构化的生物医学文献中自动抽取出化学物与蛋白质实体以及它们之间的相互作用,对于药理学和临床研究具有重要意义,在药物发现、了解药物不良反应的分子机制、描述药物代谢或绘制对系统药理学具有重要意义的调控网络方面发挥着重要作用。所以,面向生物医学文献的化学物蛋白质关系抽取具有重大科研意义与社会价值。本文从命名实体识别、关系抽取、实体与关系联合抽取三个关键性任务开展研究工作。对于命名实体识别任务,针对现有方法使用BIO标记策略难以有效地识别出目标实体的问题,提出了一种使用BERT在机器阅读理解框架下实现化学物与蛋白质实体识别的方法。实验结果表明,所提模型相比于现有模型,在化学物与蛋白质实体识别的性能上有一定优势。与在序列标注框架下使用BERT实现化学物与蛋白质实体识别的模型相比,在机器阅读理解框架下使用BERT实现化学物与蛋白质实体识别,模型的性能更为优异。对于关系抽取任务,针对现有方法难以有效地区分同一序列中不同位置token重要性的问题,引入高斯概率分布来提升目标词及其相邻近单词的权重,同时利用外部知识来指导模型进行关系抽取。实验结果表明,所提方法可靠有效,能够提升化学物蛋白质相互作用抽取的性能。引入高斯概率分布增强目标词及其相临近单词的权重有利于提升所提方法对化学物蛋白质相互作用抽取的性能,利用外部知识来指导化学物蛋白质相互作用抽取同样有利于提升所提方法的性能,并且二者之间存在某种程度上的互补关系,同时利用这两方面信息能够进一步提升所提方法对化学物蛋白质相互作用抽取的性能。对于实体与关系联合抽取任务,针对现有联合抽取方法难以有效地抽取出重叠三元组的问题,提出了一种新颖的实体与关系联合抽取方法。所提方法在机器阅读理解框架下抽取与某一特定化学物蛋白质相互作用类型相关的化学物和蛋白质实体,然后利用基于所提标记方案设计的实体组合算法将抽取到的实体和关系组合成实体关系三元组。实验结果表明,相比于现有的联合抽取方法,所提方法能够提升化学物蛋白质实体关系三元组抽取的性能,尤其擅长对CHEMPROT数据集中大量存在的重叠三元组进行抽取。