随着人工智能技术的突破和大数据技术应用领域的逐渐扩展,医疗作为国计民生中重要的一部分,其发展受到了广泛的关注。而人工智能技术的发展也加快医疗领域不断的深化,迎合了国民对医疗应用日益增长的需求。智能化医疗服务、智能问诊、医学谣言识别等应用不断发展,并深切改变了国民的生活方式。如何从海量的文本中发掘医学相关的信息,抽取重要的医学知识对智能医疗发展具有重要的意义。通过获取专业的医学信息并结合深度学习技术,可以有效地解决这个问题。医学是一个专业性强的领域,具有领域分支多、概念属性与关系类别复杂的特点。高质量的专业医学数据是实现较好深度学习模型效果的重要基础。因此本文主要实现以下几个任务:使用UMLS（统一医学语言系统）作为专业的医学数据标准,通过Selenium获取UMLS中规定的医学概念的中文翻译。将UMLS中对医学概念和关系的定义作为数据标注的依据,确定了实体概念与关系类别,共设定了7种概念类型和14种关系类型。本文是面向中文期刊论文题录中有关糖尿病的知识抽取,通过对期刊文献按照规定的概念类型和关系类型进行标注,并采用机器学习与深度学习的方法进行命名实体识别的训练任务,使用隐马尔可夫模型、条件随机场模型、BiLSTM、BiLSTM-CRF、Bert-BiLSTM-CRF和Bert-CRF 模型分别对标注数据进行训练,比较不同模型的实体识别效果。对期刊文献进行实体识别后,我们对抽取出的实体进行实体对齐研究,通过基于UMLS和百度翻译获得医学概念实体的同义词结果,并以此为模型训练的数据基础。使用Word2vec、GloVe和Node2vec将实体向量化,通过计算向量之间的语义距离来实现实体的对齐,同时我们提出Word2vec+词性标注的方法进行优化,获得最佳的实体对齐效果。最后使用BiLSTM+注意力机制模型和Bert模型对实体间的关系进行抽取,完成对中文期刊中糖尿病病种的知识抽取任务。针对三个任务的特点使用不同的模型进行验证,其中命名实体识别任务中CRF模型效果最佳,F1值达到80%;在实体对齐任务中,我们使用TopN指标分别测试不同的实体对齐方法,基于Word2vec+词性标注方法的实体对齐方法准确率为68.9%,实现本次实验的最优效果;在关系抽取任务中,基于Bert模型的关系抽取效果最好,F1值达到91%,实现了关系抽取的最佳效果。