近年来由于生物医学领域研究的逐步深入,生物医学文献爆炸式的快速增长。并且随着互联网的兴起,全世界的知识共享成为了可能。但是由于医学文献的数量过于巨大,如何准确的在其中精准的提取某一方面的知识变得越来越困难。虽然有相关的医学文献搜索引擎,找到的文献还是需要人工进行阅读,这样会消耗大量的人力与时间,如何从非结构化的文献中抽取相关的知识,成为了亟待解决的问题。在医学实验中,药物与药物之间的相互反应有着重要的意义,药物的不恰当使用会造成严重的后果,所以在医学文献中进行药物相关的结构化信息抽取对降低医疗成本,减少药物相关的安全事故,加速新药上市有着重要意义。随着深度学习技术的逐渐成熟,在医学文本中进行相关的知识挖掘已经成为了当前计算机学科的热门应用。本文对于医学文本的结构化信息抽取主要分为两个任务,药物实体识别和药物与药物之间的关系抽取,主要研究内容包括以下几个部分:使用最新的医学领域预训练模型BioBERT对句子进行向量表示,并通过LSTM网络进行特征提取,最后加入CRF标签依赖对医学文本中的药物实体进行识别。相较于泛用预训练模型BERT,BioBERT提高了实体识别的精度,更适用于医学文本。使用抽象语义表示对输入的文本序列进行语义表示,通过对抽象语义表示图的结构进行分析,发现图中实体之间的最短路径包含重要的语义关系信息,所以本文将AMR图中两个实体之间的最短路径序列作为模型的输入之一构造医学文本关系抽取模型。使用双层双向LSTM注意力模型进行关系抽取,句子的输入根据实体的位置将句子的注意力向量分为三个上下文子序列进行特征提取,同时加入抽象关系语义,通过顶层LSTM网络进行整体特征表示。实验证明该方法有效提升了模型的整体性能。