在中文医学信息抽取领域,由于实体标注语料匮乏,传统的命名实体识别模型难以达到较好的精度和F1值。因此,在该领域,常用迁移学习和多任务学习来克服标注语料稀缺的问题。然而,在以往的工作中,采用多任务学习的命名实体识别模型在共享任务数据和共享网络层时,会出现一些任务之外的噪声以及忽略了独立于任务之外的交互信息。信息抽取领域通常将命名实体识别任务和关系抽取任务作为两个相对独立的子任务。在关系抽取和实体识别联合训练中,会出现错误传播以及信息冗余等问题。本文分析了当前国内外的研究现状以及现存的不足,从神经网络共享以及标注策略的角度出发,提出了新的多任务模型和实体关系联合抽取模型。主要的工作内容如下:1、针对中文医学标注语料稀缺,以及现有的多任务模型忽略的问题,提出一种具有交叉共享结构的多任务命名实体识别模型,用于获取独立于目标任务之外的交互特征,并使用预训练语言模型增强语料,提高了实体识别的性能。本文模型在CCKS2017和CCKS2018上实验,F1值分别达到了90.23和87.68,证明了本文提出模型的有效性。另外,因中文分词工具在中文医学领域存在分割错误的问题,本文设计了一种结合中文分词任务的命名实体识别模型,该方法能在有限的数据集上得到更高的实体识别率,缓解了因分词错误导致实体识别率不高的问题。2、在实体关系联合抽取的任务中,针对传统流水线模型出现的信息冗余,错误传播的问题,构建了新的分解标注策略以及实体关系抽取规则,在模型的输入层引入了中文笔画ELMO模型,并通过注意力机制来缓解标注策略带来的类别不平衡的问题。模型在中文糖尿病数据集上的实验取得了72.17的F1值,相较于其它联合抽取模型取得了最好的性能。3、构建与实现中文医学问答系统。本文通过Neo4j搭建中文医学知识图谱,并在中文医学知识图谱上实现问答系统。本系统集成了医学知识问答、实体识别查询、医学知识检索、实体关系抽取查询和知识图谱可视化等系统功能。