中医药是经验评估建立的整体文化体系,几千年来以不同形式记录下其中的知识。文本作为重要的知识载体,从中抽取有意义的信息对现代化临床研究与验证具有重要的意义。命名实体识别和关系抽取是知识抽取的子任务,旨在从非结构化文本中挖掘出有意义的实体和关系,然而中医药领域的相关研究相较于通用领域具有一定的挑战。中医药专业术语多,语言表示多样,通常会有一字之差,谬之千里的现象,造成实体边界识别难度大。中医药领域的关系抽取错综复杂,且关系可能存在于异构实体之间,主流的抽取方法通常在抽取时未考虑实体与关系之间存在的关联性,导致语义信息不足,在该场景下具有一定局限性。针对上述挑战,本文主要在中医药文本上开展命名实体识别和关系抽取研究。本文主要工作如下:（1）针对中医药文本命名识别面临的实体嵌套问题,实体边界识别难度大,提出一种结合机器阅读理解（Machine Reading Comprehension,MRC）和双仿射机制的实体识别方法。首先用BERT编码器对句子和关于句子中实体的问题进行编码,结合两种编码表示作为交互层的输入,提取特征信息;在解码层利用两层独立的前馈神经网络（Feed Forward Neural Networks,FFNNs）分别表示句子中实体片段的开始和结束位置,最后利用双仿射机制对句子中的开始和结束标记评分,得到分类结果。分别采用TCM数据集和CCKS2017数据集进行验证分析,结果表明,该模型效果优于其他主流对比实体识别模型。（2）针对中医药文本关系可能存在于异构实体之间,主流关系抽取模型未能在抽取时考虑实体与关系之间的关联,本文提出一种异构图神经网络关系抽取方法。结合中医药文本语句特点,将给定句子及句子中的预定义关系编码成模型输入,再通过异构图网络构建关系和字词的节点并关联得到隐层表示,最后采用二阶段主客实体标识法,标识器采用二元分类器识别出实体的开始和结束位置,识别句子中所有的主客实体,从而得到句子中的实体关系对。为验证方法的性能,本文在TCMRel数据集上进行了训练和评估,以及模型消融实验,结果表明该方法是一种适合中医药文本的关系抽取模型。（3）在上述研究基础上,通过整理数据,构建知识库,并结合实际应用需求,利用PYTHON和相关开发工具,设计并开发满足中医药理论体系的用药知识系统,为中药用药的合理性工作提供参考。