随着生物医学的快速发展,生物医学文献的数量也在逐年增长,生物医学文本已经成为目前最重要的科学研究资源。如何充分地利用海量生物医学文献,从中获取对生物医学发展有用的相关知识,为相关医学工作者提供有价值的信息,有着重要的意义。相比于使用搜索引擎输入关键词获得信息,智能问答系统允许用户直接以自然语言的形式描述自己的问题作为输入,可以筛选或生成精确又简明的答案,有着更好的用户体验。本文以生物医学智能问答为核心,重点解决该领域内所面临的比较突出的问题与挑战。首先研究对生物医学文本中的知识进行结构化表示的关系抽取任务,然后针对标注生物医学数据成本高昂的问题提出以自训练为核心的智能问答模型,最后研究自动文摘任务并用机器阅读理解问答评价生成结果。对于生物医学关系抽取任务,由于传统的方法不能很好的处理跨句的多元关系,文本提出了结合多头注意力机制和图卷积网络的混合方法对文本和句法结构关系进行建模,有效地利用了序列文本的全局依赖关系和句子内的句法依存关系。并通过一系列实验证明模型结构的有效性。针对生物医学智能问答任务的数据集中有专家标注的数据过少,一般的深度学习模型很难通过少量样本学到充分特征的问题。本文首先采用迁移学习的方法,通过目标领域的数据集对预训练语言模型进行微调得到语义增强的模型,然后通过半监督学习中的自训练方法对大量无标签的数据进行标准并放入训练集。该方法在测试集上进行了实验验证,获得了比目前最佳方法更好的结果。针对问题驱动的生成式文本摘要任务,由于当前的方法仅对问题和上下文句子之间的关系进行建模,而忽视了上下文句子之间的关系。本文提出利用两步注意力机制和总体集成机制对问题、上下文以及对应的摘要之间的关系进行建模,并提出多视角指针网络来解决未登录词问题。为了评估生成摘要是否与原文一致,本文使用机器阅读理解问答对生成的摘要进行事实一致性的检验。实验结果表明,该方法能够根据问题生成与上下文语义一致的文本摘要。