药物是一种被广泛研究的生物医学实体,大量被应用于临床治疗当中。药物不仅可以治愈疾病,有时也会产生一些不良反应,损伤病人的身体,严重者可能诱发其他疾病。因此,研究药物与症状、疾病等表型之间的相互关系至关重要。如今,生物医学文献是最新、最全面的药物知识来源。但如何从海量的生物医学文献中获取临床需要的、有价值的药物知识并加以利用还存在如下挑战:（1）生物医学文献都是以非结构化的文本形式记载,人工处理和提取相关知识费时费力;（2）现有的药物信息抽取研究主要针对的是药物与药物之间的相互作用关系,而针对药物与表型之间关系的研究较少;（3）如何让抽取出的数据为临床辅助诊疗所使用也是急需解决的问题。基于此,本文主要研究内容包含以下三个方面:（1）本文进行基于深度学习的药物表型实体关系联合抽取方法研究。本文首先基于Semmed数据库,筛选出药物表型相关的实体及关系构建药物表型实体关系抽取标准数据集,然后针对数据集中存在的标注问题进行人工审核修复,最终形成了包含21751条关系数据的Semmed药物表型关系抽取语料库。基于此关系抽取数据集和NYT、DDI、CPI数据集,分别利用基于Bio BERT+BILSTM的实体关系联合抽取模型和流水线关系抽取模型进行实体及关系的抽取。其中,本文所提出的联合抽取模型在各数据集实现较高F1分数（Semmed:73.80%,NYT:75.35%,DDI:69.62%,CPI:37.23%）的情况下,实现了实体类别信息的抽取,解决了部分现有联合抽取方法无法抽取实体类别信息的缺点。相比之下,流水线模型的关系抽取F1分数均低于联合抽取模型,这说明了分解策略的有效性。同时,流水线模型的实验结果中查全率普遍高于查准率的情况,也验证了流水线方法中存在的冗余实体问题。（2）本文进行药物表型知识图谱构建研究。本文以抽取出的Semmed药物表型关系数据为基础,融合OpenFDA不良反应数据和DrugBank药物数据构建药物表型知识图谱。针对于不同数据源中存在的“多词一义”问题,采用字典法进行实体对齐,知识图谱对齐前含有229608个实体和3756234条关系,对齐后含有185584个实体,3421286条关系。（3）本文进行基于药物表型知识图谱的问答应用研究。本文以药物表型知识图谱为基础搭建了基于模板的智能问答系统。该问答系统使用规则的方法将用户问句转换为Cypher图查询语句,共计支持21种问答类型。基于模板的方法具有可解释性强、易于实现和不需要标注训练数据的优点,适用于领域知识库问答系统的构建。