命名实体识别和关系抽取作为信息抽取基础和核心的子任务,旨从非结构化和半结构化的文本中提取出命名实体及实体间的语义关系类型,高质量、精准的抽取结果可以为后续的知识图谱构建、信息检索、智能问答系统搭建等提供良好的数据基础。在中医药领域,中医文献作为中医传承载体,记录了证型、方剂、中药、病因、病机和治则治法等海量非结构化或半结构化的中医文本信息,随着国家为促进中医药信息化发展各项政策的提出,对这些数据的结构化处理显得越发迫切。实现命名实体识别和关系抽取两个任务传统是采用流水线方法分两步执行,第一步实体识别,第二步将上一步结果作为关系抽取的输入进行后续关系抽取操作。传统流水线方法虽然在模型选择和实验操作上较为灵活、简单,但存在3个问题:（1）导致错误累积;（2）忽略了两个子任务间的相关性;（3）冗余信息。为克服流水线方法存在的问题,实体关系联合抽取方法应运而生,充分考虑二者的相关性,使命名实体识别和关系抽取两个任务的性能得到提升。然而现存联合抽取方法同样面临一些问题:（1）无法解决实体重叠的问题;（2）依赖人工标注语料,耗费人力物力,语料利用率不高。鉴于上述问题开展本文的工作,主要内容有:（1）结合中医文本的特定领域特点,使用改进后的序列标注策略,构建中医文本的实体关系联合抽取语料库,为中医文本实体关系联合抽取任务提供高质量的标注数据。（2）提出了一种基于字词向量并联的中医实体关系联合抽取方法。该方法使用字词向量并联拼接作为双向LSTM-CRF输入,利用双向LSTM强大的特征提取能力,以及CRF在序列标注上的突出优势,结合优化的抽取规则实现中医实体关系联合抽取。该方法不仅克服了传统流水线方法的弊端,很大程度地缓解了实体重叠的问题。（3）提出了一种融合数据增强和注意力机制的实体关系联合抽取方法。该方法选用EDA方法对中医语料进行数据增强,采用自训练方式将原数据集和预测所得的伪标注数据共同学习,解决标签数据缺乏的问题,在中医语料实体关系联合抽取任务上具有较好的适应性。（4）在上述研究的基础上,设计并构建中医文本实体关系联合抽取系统。