随着生物医学技术的快速发展,生物医学文献呈指数级爆发式增长,其中蕴含着丰富的前沿、有价值的知识。药物作为生物医学领域一种非常重要的实体,受到科研人员和医疗从业者、患者的广泛关注。如何从非结构化的生物医学文本中抽取出结构化的药物不良反应知识,用于药物不良反应预警,扩充、更新药物不良反应知识库,服务于疾病治疗、药物研发和科学研究,成为一个非常有价值的研究课题。本文使用深度学习方法从生物医学文献患者病例报告中识别出药物实体与不良反应实体,并抽取出药物导致不良反应的实体对。本文的研究内容主要包括:（1）提出基于BiLSTM-CRF+CNN-char神经网络的药物识别方法。该方法使用卷积神经网络学习单词的字符形态（相同前缀、后缀）特征,与海量生物医学文献语料预训练的词向量拼接成组合向量输入BiLSTM-CRF模型。卷积神经网络能更好的识别词形相似的单词和未登录词,句子编码层BiLSTM模型能有效学习当前词的上下文特征和句子局部特征,CRF层能考虑句子相邻标签的依赖关系,减少由于标签独立导致的标注错误,得到句子最优标签序列。实验结果表明,基于BiLSTM-CRF+CNN-char模型的药物识别性能优于基于特征工程的机器学习方法和BiLSTM模型。（2）提出基于BiLSTM-CRF+BiLSTM-char神经网络的不良反应识别方法。该方法使用BiLSTM模型学习单词字符形态（相同前缀、后缀）特征,并融入不良反应词典特征,将词向量、单词字符向量、不良反应词典特征向量拼接成组合向量输入BiLSTM-CRF模型,字符编码层BiLSTM模型能更好的识别词形相似的单词和未登录词,句子编码层BiLSTM模型能有效学习当前词的上下文特征和句子局部特征,CRF层能考虑句子相邻标签的依赖关系,减少由于标签独立导致的标注错误,得到句子最优标签序列。实验结果表明,融合词典特征的BiLSTM-CRF+BiLSTM-char模型不良反应识别性能优于基于特征工程的机器学习方法和BiLSTM模型。（3）提出基于依存句法卷积神经网络和融入注意力机制的双向长短时记忆网络（Att-BiLSTM）的药物与不良反应关系抽取方法。卷积神经网络模型中融入依存句法特征,卷积核不仅学习句子的局部、关键语义特征,还学习了句子的结构特征,模型并行运算,速度快,但模型依赖于自然语言处理工具句法分析的准确性;而融入注意力机制的双向长短时记忆网络（Att-BiLSTM）无需句法分析,擅长学习长句子目标实体对远距离依赖关系,从正向、逆向学习句子上下文特征,注意力机制赋予句子关键词更大的权重,并将词性特征、相对位置特征融入模型,实验结果表明,融入注意力机制的双向长短时记忆网络关系抽取性能优于依存句法卷积神经网络。（4）药物不良反应信息抽取应用案例。从实验数据集中选取包含抗肿瘤药物的句子,使用本文提出的神经网络模型进行药物识别、不良反应识别、药物与不良反应关系抽取,建立一个抗肿瘤药物不良反应预警清单。