生物医学文本是目前重要的生物医学领域研究资源。随着生物医学技术不断发展,使记载重要生物医学记录的生物医学文献和电子病历呈爆发式的增长。同时,信息化技术的发展为进一步从大量的生物医学文本中挖掘出新知识带来机会。结合领域需求,采用生物医学文本挖掘技术精准地获取必要信息。生物医学文本挖掘涉及多阶段研究方法,每个阶段的研究技术都会对知识挖掘产生影响。为此,本文围绕生物医学文本进行研究,以生物医学文本表示和关系抽取为研究基础,进一步进行药物假设发现研究。针对现有生物医学分布式词表示模型可能会低估相近词之间的相似度,而高估远距离词之间的相似度,导致欧氏度量空间中词的相似度与人类经验判断不一致,本文将流形学习引入到生物医学分布式词表示模型中,利用流形学习将高维特征空间中的样本分布群“平铺”至一个低维空间,同时保存原高维空间中样本点之间的局部位置相关信息,平铺之后将更有利于词向量之间的距离度量。针对生物医学分布式句子表示模型尚未对句子表示的几何结构及其句子上下文的关系进行深入的研究,本文充分利用句子的几何结构,引入流形学习挖掘句子向量的内在关系,使得句子之间的语义信息和几何关系保持一致。实验结果表明,在词相似度、句子相似度匹配以及文本分类和聚类的任务上,本文所提出的方法显著提高了生物医学文本词与句子向量的表示质量。针对生物医学文本句子存在的长距离依赖信息难以捕捉的难题,本文提出了一种图神经网络与双向门控循环单元相结合的句子级药物-药物关系抽取方法,该方法一方面通过图神经网络能够建模文本的非局部依赖关系,另一方面采用双向门控循环单元建模上下文信息,两者的结合充分表达语义信息从而缓解长距离依赖问题。针对跨句级的关系抽取忽略了先验知识的问题,本文提出多头注意力机制和表示学习的模型方法抽取跨句药物-基因-突变关系,该模型通过多头注意力机制能够直接建模词之间的隐含依赖关系,同时利用知识库中的实体和关系信息,在预测关系时提供先验知识。实验结果表明,上述方法均获得了优于目前先进方法的生物医学关系抽取性能。针对当前方法建模实体关系路径信息不佳的问题,本文提出基于关系路径嵌入卷积神经网络药物发现方法。利用生物医学摘要中实体和关系构建知识图谱;再通过路径排序算法在知识图谱中生成实体间的关系概率特征;最后结合卷积神经网络和注意力机制建模关系特征。实验结果表明,结合知识图谱和深度学习方法能够捕获隐藏在文献中的药物与疾病间的复杂关联,从而有效挖掘疾病的潜在治疗药物。