目前,各种知识库中存储了海量的生物医学文本,其数量还在呈指数增长。这些文献是生物医学技术发展的结晶,通过信息抽取技术挖掘隐藏在生物医学文本中的有用知识是一个重要的研究课题。实体关系抽取是信息抽取的一个关键子任务,它在命名实体识别的基础上,把包含实体对的文本分类到预先定义好的关系类型中。目前,面向生物医学文本的实体关系抽取研究致力于通过构建深度学习模型来自动地从无结构化的生物医学文本中抽取出结构化的生物医学实体关系三元组。与通用领域不同,生物医学文本一般较长且更为复杂,同时存在较多噪声词如一些特殊的医学符号,这些都给生物医学实体关系抽取带来了不小的挑战。基于此,本文首先提出了一个自监督图注意力网络来完成句子级的生物医学实体关系抽取任务,该方法将自监督学习嵌入标准的图注意力网络中。图注意力网络能够自动学习句子中词与词之间的相关性,所以模型将会更加关注于有用信息的学习从而降低噪声词的干扰。自监督则是利用依存句法解析树来监督图注意力网络的学习,既能提高其对句法特征的学习能力又能增强其可解释性。在多个公开数据集上的实验结果表明,该模型在句子级生物医学实体关系抽取任务上表现优越。在真实的生物医学文本中,大量实体间关系无法通过单个句子信息识别出来,往往需要多个句子联合判断。文档级关系抽取的目标是从文档的多个实体对中抽取出不同的关系类型,而不是局限于单个句子。一篇文档中不同实体关系之间往往是相互联系的,因此本文提出了一种基于实体级关系图的方法来完成该任务。该方法首先使用一个编码模块来获取实体的上下文信息,并以所有实体为节点和被预测的关系为边来构成一个全连接图。然后使用卷积神经网络和自注意力机制更新关系边的表示,它们分别关注于局部的和全局的关系依赖。实验结果表明,该方法能够有效提升文档级关系抽取的性能。目前大部分的生物医学实体关系抽取模型都是根据文本和实体信息来进行关系分类,却忽略了关系词在关系抽取中的重要作用。一般来说,出现于文本中的关系词能够直接表示实体对所属于的关系类型,对于模型正确预测关系具有明显的指导作用。因此本文首先构建了一个标注系统来获取数据集,然后提出了一个关系和关系词联合抽取的深度学习方法。该方法使用预训练语言模型和双向长短期记忆网络分别编码全局语义特征和序列特征,这些共享特征将用于推理关系类型和识别关系词。实验结果表明,关系和关系词联合抽取模型可以同时提升关系抽取和关系词识别的效果。