实体关系抽取是自然语言处理领域中处理非结构化文本的重要方法,能够从非结构化文本中提取出有效的实体对和关系,形成（头实体,关系,尾实体）的关系三元组结构,进一步生成实体关系网络,是搭建知识图谱及后续拓展研究的技术基础。生物医学领域存在大量的非结构化文本,同时业界对这些文本的分析处理也有浓厚的兴趣,因此本文选择该领域作为应用场景。随着深度学习技术的发展,基于深度学习的实体关系抽取方法较传统的特征提取方法取得了更好的成绩。然而,训练深度学习模型需要大量标注数据,但目前实体关系抽取领域普遍存在标注数据偏少的问题,现有的模型也存在实体提取和关系抽取两个子任务间联系较弱、对重叠三元组处理效果欠佳的问题。本文针对上述问题,进行了相应的研究与改进。针对缺乏标注数据的问题,本文首先借助远程监督方法,利用知识库自动生成数据标签,再使用提出的RLDN-RL模型对生成的标注数据集进行降噪处理,从而达到优化数据集质量的目标。本文选择CTD和Open KG生物医学知识库,并从Pub Med生物医学文献数据库获取非结构化文本,然后对齐到知识库中的三元组,自动获取标签。由于使用远程监督方法生成的标注数据集中存在大量噪声,本文采用基于规则和强化学习的方法分别对标注数据集中的负样例和正样例进行降噪处理,获得更高质量的自动标注数据集。针对实体提取和关系抽取两个子任务间联系较弱、模型处理重叠三元组效果欠佳的问题,本文提出了TagRE系列模型,采用联合抽取方法和重新定义子任务的方式加以处理。TagRE模型使用联合抽取的方法,同时抽取句子中的实体和关系,避免了将两个任务分隔开而导致的子任务间缺乏关联的问题。该模型还重新划分了子任务的分割方式,采用先提取句子中的头实体,再根据不同的关系类型预测尾实体的方式实现三元组的抽取。以对不同的关系类型分别建模的方式,从原理上优化了模型对重叠三元组的抽取效果。基于上述数据来源获取的结构化三元组信息,本文设计并构建了生物医学知识图谱,以图形化的界面展示所有三元组,并搭建了实体关系查询与关系三元组预测模块,为科研工作人员及医学工作者的研究和工作提供了便利。