微生物之间存在多种交互关系,如共生、竞争、寄生等各种类型的交互。研究微生物之间的交互关系是理解微生物群落的结构和功能的前提和基础。大量关于微生物交互关系的研究成果发表在生物医学文献中,从这些无结构化的文本中抽取出相应的微生物交互信息,并组织成结构化的知识库,是一种有效的研究微生物交互关系的方法。现有文本挖掘的工作简单地将微生物之间的关系定义为有或无两种,而忽略了微生物之间丰富、细致的关系类型。因此,本研究将微生物关系抽取建模为多类型的关系抽取任务,并提出相应的关系抽取模型用于有效的微生物关系抽取,结果描述了更丰富的微生物交互关系信息。具体地,本文的主要工作如下:（1）提出一种基于集成深度学习模型的多类型微生物交互关系抽取方法。根据物种交互关系和文献中的语义描述概括了四种微生物交互关系:积极关系、消极关系、关联关系、无关系。进而标注了用于多类型微生物交互关系抽取的语料库（MTMICorpus）,并结合命名实体识别工具构建了无标签的预测语料库来验证本文模型的有效性。以此为模型训练基础,我们提出了一种集成深度学习模型用于多类型微生物交互关系抽取。该模型将文本数据经过词向量映射后转换为向量表示并加入位置特征作为输入,使用三个基于Bi-LSTM的子模型独立做预测判断,最后对三个子模型的结果用投票的方法做出最终决策。与传统的机器学习方法及常用的深度学习方法相比,该方法取得了较好的效果。（2）提出一种基于迁移学习的多类型微生物交互关系抽取方法。为了进一步提升微生物关系抽取的效果,本文尝试使用迁移学习模型以借助外部领域知识提升文本建模的效果。具体的,我们测试三种不同的本文预处理模型,BERT、BioBERT、和SciBERT模型,用于文本的初始表示,并通过微调训练微生物关系抽取任务。实验结果表明基于SciBERT的模型取得了理想的微生物关系抽取结果。模型应用到来自PubMed的大规模无标签数据,进行微生物多类型关系预测。通过实体标准化处理,共得到了 2855条微生物多类型交互关系。本文主要实现了从生物医学文献中自动抽取多类型微生物交互关系的任务,为复杂微生物交互关系网络的重建提供了基础。