近年来,药物不良反应（Adverse Drug Reactions）逐渐成为威胁人类健康的一大原因,在美国,药物不良反应已经成为了全美第四死亡率的原因,在中国每年约有18万人因此丧失掉生命,相关的成本每年约有75亿美元。因此,药物不良反应的研究对全社会来说意义重大。而以往的药物不良反应的研究方式主要有两种方式:第一,在药品上市之前,通过临床试验,获得药物不良反应类型;第二,在药品上市后,通过医院等相关单位跟踪药品使用情况来获得相关知识。但是,这两种手段均有缺陷,例如,临床试验规模有限、跟踪报告可能导致报告不全、速度过慢等。所以通过社交媒体研究药物不良反应成为了研究热点。社交媒体（如推特、微博等）是随着移动互联网兴起的新的网络交互方式,普通人第一次成为了大众媒体的发声者。随着人们在社交媒体上讨论其健康情况,社交媒体也就成为了药物不良反应研究的数据来源。本文的主要工作有两项:第一,如何在社交媒体中识别出药物不良反应的推文;第二,如何在这些推文中将不良反应的实体识别出来。在药物不良反应的分类任务中,本文构建了一种端到端的基于注意力机制的,结合Bi-LSTM和Char CNN的神经网络模型。研究结果表明,使用Char CNN提取字符级特征能够很好的弥补只使用词向量特征,能够更加丰富推文的信息特征。能够显著提高分类的准确性,超过了现有的基准方法,提供了一种端到端的社交媒体药物不良反应检测模型。在药物不良反应的实体识别任务中,本文从推文的不同粒度出发,构建了一种端到端的,融合了BERT模型的神经网络模型。本文为药物不良反应的研究提供了端对端的模型,使之能够快速推广开来。本文利用BERT、Character CNN、句法依赖分别提取词级别、字符级别、和句子级别的信息,然后使用多重长短时记忆网络结合词向量和句法依赖以及字符向量,最后模型的效果,在Twitter数据集上的F1值为86%左右,在Pub Med数据集上的F值为95%,均优于谷歌的BERT模型。