生物医学文本领域每年产生大量的文献、病例,这些材料中往往包含重要信息,但依赖人工处理不仅工作量巨大,并且难以保证效率。近年来,随着自然语言处理的不断发展,深度学习已经取代传统统计学方法,逐渐成为各领域的主流方法。利用深度学习技术对生物医学文本进行信息提取,一方面可以有效提高提取效率,另一方面,深度学习强大的特征学习能力能捕捉更多人工难以识别的特征,提高识别精度,强化提取能力。这对于生物医学领域发展有着至关重要的作用。信息提取可细分为多个子任务,包括命名实体识别与关系抽取。命名实体识别旨在标记文本中的关键信息,而关系抽取则是判断这些实体之间的联系。本文的主要的工作就是解决生物医学文本中的命名实体识别与关系抽取任务,由两部分组成。本文第一部分工作,是设计了一个并行结构的端到端模型。通过CNN与RNN的并行结构对序列进行特征提取,再通过动态注意力机制进行特征筛选,最终通过分类器生成标注序列。模型在四个数据集中都表现出了优越的性能,在其中两个数据集中甚至高出目前最好结果约2个百分点。本文第二部分工作,是设计了一个基于注意力机制的特征融合模型。通过注意力矩阵将实体与序列相结合,并通过多头合并不同编码序列,最终通过分类器预测关联概率。本文还扩展了实体序列作为模型输入。实验证明改进的可行性,模型在两个数据集中展现了最优的性能,均超过了目前最好结果近10个百分点。