命名实体识别和关系提取是自然语言处理领域的重要任务,旨在从文本数据中提取由实体及实体之间的语义关系组成的关系三元组,这些三元组可以用来构建知识图谱、智能问答系统等信息化智能应用。在医学领域中,电子病历作为患者信息的载体,记载了入院记录、出院记录等大量半结构化和非结构化的文本信息,传统的技术难以从电子病历中提取有效的关系三元组。现有的传统抽取模型方法是采用流水线的方式进行,首先通过实体识别模型,得到文本数据中的实体内容,接着将其作为输入进行关系抽取。传统抽取模型采用两个模型进行训练,在操作流程上更灵活,更便捷,但是,其存在着错误累积、割裂关系、冗余信息等缺点。因此,为克服传统方法的弊端,实体关系联合抽取模型被提出,不仅充分的考虑了实体与关系之间的联系性,还提升了对重叠三元组提取的性能。本文的主要工作和成果如下:（1）针对中文医学数据集中存在的长文本和重叠三元组的问题,本文提出了基于交谈注意力机制和条件层归一化的联合抽取模型。该模型使用了Ro BERTa预训练模型提取中文句子的语义信息。之后,利用条件层归一化方法来学习实体与关系之间的相关性。随后,使用交谈注意力机制加强了句子中注意力之间的交互。基于交谈注意力机制和条件层归一化的联合抽取模型在解决重叠三元组提取上性能良好。（2）针对真实的电子病历中存在的标注数据缺乏和语义复杂的问题,本文提出一种新颖的基于医学知识库的数据增强方法（MEDA）。该方法使用开源的知识搭建了脑血管病的医学知识库,并通过处理了脑血管病患者的电子病历和现有的医学数据集来构建Bit Emr数据集。随后,采用联合抽取模型,并设计了自训练方法将Bit Emr数据集用MEDA方法扩增后进行学习,实验证明了联合抽取模型使用该方法后有较好的普适性,能够直接应用在电子病历的信息抽取场景中。（3）本文设计了面向脑血管病的智能医学系统,该系统基于Vue和Flask框架,包含了电子病历展示、知识图谱检索、联合抽取系统、人工标注工具等多个功能,将理论研究真实的落地到医学领域场景之中。