近年来,随着互联网的发展,许多在线医疗社区与医疗信息网站兴起,为人们随时随地了解健康资讯,咨询疾病信息,交流病理症状与经验等提供了一个很好的平台。这些疾病问答信息由于有大量人员参与,包含许多真人案例,具有非常可观的医疗分析价值。对在线医疗对话文本进行研究,发现这类文本具有说话随意、涵盖大量错误医学专业术语等特点,为保证文本向量化的准确性和特征挖掘的有效性,本文将英文的错别字校正方法—编辑距离与中文拼音转化结合,提出校正方法PinEdit。该方法对同音错别词、形近错别词、简称错别词和英文错别词等四种类型的错误进行校正。该方法在特定领域的文本语料上,具有较强的错别词识别效果。通过实证分析,本文的错别词校正方法在数据集上的查准率达到97%,校正效果显著。为研究在线医疗文本中的医疗价值,本文从挖掘患者对特定药物的用药反馈着手,将K-means聚类的循环迭代思想应用到在线医疗文本中,提出基于聚类的动态特征提取方法。动态特征提取方法-DFEA（Dynamic Feature Extraction Algorithm）,基于初始中心特征词,结合余弦相似度和词频-逆文档频率（TF-IDF）,进行药物特征扩展查找和噪声词剔除,利用聚类方法进行中心特征词的迭代更新,直至收敛。最终,利用句法分析,对关心的特征进行三元组特征扩展与统计,实现药物特征的精细挖掘。本文将基于聚类的静态特征提取方法SFEA,与基于聚类的动态特征提取方法（DFEA）,在实证文本上进行效果比较。发现DFEA方法较SFEA方法的效果更为显著。本文通过对好大夫在线上2008-2018年乳腺癌社区的文本进行分析,对“赫赛汀”进行挖掘分析,发现在大部分患者反馈中,它是一个副作用大但是效果显著的乳腺癌治疗药物。