从大量的生物医学电子文本中自动抽取其中实体之间的关系,对生物医学应用例如生物医学知识图谱的构建,生物医学知识发现等等具有十分重要的意义。随着深度学习、自然语言处理技术的发展,关系自动抽取技术也取得了长足的进步。然而生物医学文本中存在的专业性词汇,实体在句子中的较大跨度,以及句子中混杂的大量无用信息,仍为医学关系抽取带来重大挑战。本文从结合文本序列信息和句法依赖信息的角度出发,通过借助句法结构信息来帮助模型更好地理解生物医学文本,提升实体关系抽取效果。首先本文采用GCN模型建模句法图结构,并对GCN方法进行改进,将以往用于通用领域关系抽取的GCN模型迁移到生物医学数据上,提出改进的Multi-head GCN网络结构,再根据生物医学数据特点设计了基于根节点的句法信息提取方法。在三个生物医学数据集CPR,DDI,GAD上的实验说明了对GCN方法改进的有效性,且改进方法能够优于其他大多数深度神经网络结构。本文还对基于预训练模型的关系抽取方法进行改进,提出了融合句法依赖信息的预训练模型方法,主要对预处理层、特征结构层、模型结构层三大部分进行优化。首先在生物医学文本预处理中采取实体屏蔽,医学缩写替换,句法依赖结构变换操作,并提出了结合卡方检验关键词的句法信息提取方法。然后在特征提取中采用了实体上下文信息和句法信息的组合特征。在模型结构层,设计了融合句法信息的Transformer编码器结构,并将其嵌入到Pub Med BERT预训练模型中。最后。实验结果验证了各部分优化的合理性和有效性,证明了本文方法能够在多个医学关系抽取数据集上取得当前基于预训练模型方法的最优效果。