目前,药物的不良反应(Adverse Drug Reactions,简称ADR)已成为民众和医学界关注的热点,全社会日益重视用药的安全问题。据报道由于药物不良反应引起的疾病占到整个住院患者的5%,药物不良反应引起的死亡率位于医院死亡率的第五位。因此,预测和判断药物的不良反应对全社会来说具有重大的价值。过去,药品安全监督主要依靠自发的报告制度。这些报告主要是由从医疗保健专业人员和制药公司收集的、疑似ADR报告组成的,并且由监管机构和卫生机构维护。然而最近的研究表明,这种自发的报告制度也受到了一系列限制:包括报告不足、已知报告过多、数据不完整、报告重复以及因果关系不明确等等。因此,最近的研究焦点已经扩大到利用其他数据源检测ADR。社交媒体平台(如Twitter)是新兴的数字通信渠道,为普通人在线分享自己的健康和用药体验提供了一种简单的方法。随着更多的人公开在线讨论他们的健康信息,社交媒体平台为探索药物不良反应提供了丰富的信息来源。因此本文的主要工作就是有效地识别出Twitter中不良反应相关的文本,判断某条推文中是否包含不良反应提及,以及将提及到不良反应的实体识别出来。在提及药物不良反应的Twitter文本分类任务中,本文构建了融合网络结构特征的卷积神经网络模型,将文本转化为分布式向量的表达。研究结果表明,使用先进的自然语言处理技术从文本中生成信息丰富的特征(情感特征,图结构特征,句子长度特征)可以显著提高分类准确性,超过现有的基准,改进基于互联网的媒体的自动ADR检测技术。在推文中识别药物不良反应实体的任务中,本文通过大量无标注数据来学习低维、稠密的词向量,利用Bi-LSTM对文档的词向量进行处理,抽取每个词的上下文表示,然后将全文范围内的上下文表示和该词的邻近上下文表示经过融合后送往条件随机场层,最后通过CRF层获取实体所对应的标签序列。本文为药物不良反应进一步的研究提供了有价值的参考,降低了药物不良反应发现过程中金钱与时间的消耗。