在临床医疗领域中,随着电子病历以及各种病理诊断数据的累积,医院急需一种简洁直观的数据库系统来为医生供患者信息,辅助医生对患者进行诊断。知识图谱这种超越欧几里得结构的存储系统便应运而生。知识图谱的构建需要在海量的文本数据中提取关键信息,如相关的实体以及实体间的关系,而现存的文本信息,如电子病历等往往都是非结构化的,有许多句子成分的缺失,而利用人工提取,往往面临工作量过大的问题。针对不规则的文本信息以及实现全自动化抽取文本信息的目标,本文运用深度学习的方法,对面向知识图谱构建的文本信息抽取方法进行了深入的研究,主要工作如下:（1）基于文本信息的命名实体识别（Named Entity Recognition,NER）技术的研究。针对不规则的医疗文本数据,首先利用BIO标注方式人工标注少量的精确数据,并构建各个实体的词典,利用词典对剩余文本进行粗标。选用BERT+双向长短时记忆神经网络（Bi-directional Long Short-term Memory Networks,Bi LSTM）+条件随机场模型（Conditional Random Fields,CRF）,在训练过程中利用强化学习从粗标数据中筛选较好的数据进行训练,并利用训练后的模型实现了实体的自动化抽取。在病理数据上,整体NER模型的F1值提高了4.24%。（2）基于文本信息的依存句法分析（Dependency Parser,DP）技术的研究。以Biaffine Parser模型为基础,通过对比卷积神经网络、循环神经网络及其变种、Transformer为前端编码器时基础模型的效果。为解决Attention模型过深问题,本文提出了Densely Connected Transformer模型对Transformer进行了改进。以哈工大发布的新闻领域的依存句法数据及少量精标注病理数据作为训练集,对该模型进行训练,并通过自学习预热,多任务对抗训练的方法,共享部分模型参数,实现了模型从新闻领域到医疗领域的迁移。在病理数据上,整体DP模型的LAS值提高了0.63%。（3）基于文本信息的链接预测（Link Prediction,LP）的技术研究。首先,在依存句法分析的基础上,制定人工规则,抽取出实体之间的关系,构建出初步的子图谱。其次,对子图谱进行人工校准,作为后续自动化模型的标注数据。以依存句法模型中间层的特征以及节点实体特征作为训练数据,通过对比卷积神经网络与图卷积神经网络分别在局部子图与全局图中的抽取效果,构建最终的链接预测模型,并利用抽取的实体与链接构建出完整的知识图谱。