模糊限制语是一种广泛使用的指示词,用来指示使用者模糊的、不确定的观点或表述(即模糊限制信息)。在自然语言处理研究中,模糊限制信息的识别对多类信息抽取任务有十分重要的意义,可以用来甄别所抽取到信息的真伪、可靠性等,例如在生物医学文本中抽取蛋白质之间的相互关系,这项工作就需要排除那些模糊的或假的蛋白质关系。本文主要研究在生物医学文本中识别模糊限制语及检测其指示的模糊限制信息范围的方法。对于识别模糊限制语这一任务,提出基于关键词协同训练的模糊限制语识别系统。根据训练语料生成模糊限制语关键词词典,再使用WordNet网络词典对其进行语义扩充,以扩大词典的适用范围和泛化性,把词典匹配特征分别引入到条件随机域(CRF)模型和支持向量机(SVM)模型中；利用协同训练学习方法,在CRF和SVM两个视图上迭代相互学习,通过引入和标记未标注数据来扩充训练语料,达到提高系统识别性能的目的。实验在CoNLL-2010共享评测生物医学领域数据上进行,模糊限制语识别的最高F1值为88.12%。对于检测模糊限制信息范围这一任务,提出基于句法约束协同训练的模糊范围检测系统。利用决策树模型分别在句法结构树和依存关系树上生成相应的决策规则,再根据语言学特征对决策规则进行人工分析整合,形成启发约束集,将启发约束集作为句法结构约束特征加入到CRF模型和SVM模型中,对模糊限制语作用范围进行前后边界标注,并用决策规则对标注结果进行修正；采用协同训练方法对已标注语料进行迭代扩充,由后处理操作匹配模糊范围的前后边界,得到完整的模糊限制信息范围。在CoNLL-2010共享评测数据上对本文方法进行测试,实验结果显示,本文所示的模糊限制信息范围检测系统最高F1值为64.10%,同时得到一个包含5476个句子和1071个模糊限制语的模糊语料。协同训练方法不仅可以提高系统性能,还可以扩大标注数据集的规模,以待未来研究使用。将测试数据作为未标注集加入到训练语料中,还可以减小测试集和训练集在数据分布上的差异性,对数据测试有很大帮助。