生命科学技术的不断发展,导致了生物医学领域文献的数量呈爆炸式增长。因此,研究人员迫切需要自动化工具,从海量的文献中,提取出感兴趣的信息。随着互联网的日益完善,信息抽取技术迅速发展起来,并且在生物医学领域产生了很大影响。蛋白质关系(Protein-Protein Interaction, PPI)抽取,作为信息抽取在生物医学领域的一个重要的应用,旨在从分子层面挖掘潜在的知识,以供研究者使用。围绕PPI抽取问题,本文从以下方面展开研究。为解决特征挖掘不足、单个分类器决策能力有限的问题,本文提出了组合学习的方法。该方法重点探索了特征设计以及多个分类器的集成问题。在特征选择方面,从句子上下文以及多种句法结构中提取了丰富的特征,并采用信息增益的特征选择方法来筛选出最优特征,然后构建特征向量；在分类器集成方面,选择三个分类准确率较高、决策机制不同的分类器,分别为支持向量机、最大熵和朴素贝叶斯,应用Q-statistic方法验证了不同分类器之间的差异性。采用线性加权的方法,将各个分类器的决策结果集成,保证单独抽取性能表现好的分类器,在融合中能够分配到更高的权重。组合学习方法在典型的AIMed语料上获得了71%的F值和92.9%的AUC值。组合学习方法,只适用在有标注语料充足的情况。然而,在实际应用中,有标注的语料数量相对稀少。因此,为了解决这个问题,本文在组合学习方法的基础上,提出了主动学习的方法。该方法采用基于不确定样本的选择方法,不断从大量未标注语料中挑选出最具信息的样本进行标注,对分类器无用的样本则不进行标注,并将标注后的样本重新加入到训练集中进行自主的学习。主动学习的方法不仅具有良好的PPI抽取效果,而且可以减轻人工标注的工作量。主动学习方法在5个语料上进行的实验取得了不错的效果：在除了LLL之外的4个语料上均获得了较高的AUC值(尤其是在AIMed和BioInfer这样的大语料上),表现出了较强的泛化能力。