信息抽取技术为处理互联网中存在的海量数据提供了手段。生物医学文献是互联网文本数据的重要组成部分,隐藏在文献背后的知识可以服务于信息检索、推荐系统和问答系统等实际应用领域。关系抽取是用于挖掘文献中蕴含的知识的一种必不可少的技术。本文重点研究生物医学领域的篇章级关系抽取,区别于传统关系抽取局限于抽取单个句子内的实体关系,篇章级关系抽取则是从文献摘要中抽取实体关系,而摘要文本通常由多个句子组成,长度更长,语义更加复杂。本文提出一种基于图卷积神经网络和多头注意力机制的端到端关系抽取方法。为了更好地从长文本中提取特征,构建了文档级别依存图并使用图卷积神经网络对其进行建模,获得了文本的句法结构特征,另一方面使用多头注意力机制从不同的语义子空间中获取与关系抽取任务最相关的文本序列上下文特征,将得到的上下文特征和句法特征融合后用于关系分类。此外,传统的词向量是静态词向量,不能根据上下文确定词的语义表示,而本文使用了深度上下文相关词向量替换传统词向量,解决传统词向量存在的一词多义问题,从而丰富了文本输入特征的表达。除了文本信息以外,现有的生物领域知识也可以为关系抽取提供更多信息。本文提出了基于领域知识的关系抽取方法,探索如何从已有生物知识库中获得领域知识,并将知识信息与文本信息有效结合用于关系分类中。通过现有的生物知识库构建大量的知识三元组,并运用知识表示模型学习三元组中蕴含的领域知识,得到实体向量和关系向量。本文采用关系向量作为知识向量,提出知识注意力机制将领域知识与文本信息进行融合,以进一步提高关系抽取系统的性能。本文的研究是在BioCreative-V组织提出的化学物-疾病关系抽取数据集上展开的。设计并完成了充分的对比实验用于验证所构建模型的实际效果。最终的实验结果显示本文提出的建模方法可以有效地提高关系抽取系统的性能。