在生物医学领域,每天都会有大量的生物医学文献公开发表,而这些文献中蕴含着许多新的药物、疾病、症状之间的相互作用关系,是生物医学研究的重要资源。截至2021年2月,美国国立图书馆所设立的国际性综合生物医学信息书目数据库Medline中就已经有超过2700万篇以上的文献。从这些海量的生物医学文献中高效、准确地抽取出结构化的生物医学知识,对于加速生物医学相关领域的研究具有重要意义。当前,生物医学领域关系抽取研究主要依赖于监督学习方法,对于标注数据的依赖性较强。然而构建高质量的生物医学标注数据,不仅费时费力,而且需要标注人员具有一定的生物医学领域知识。因此,生物医学领域标注数据的缺乏极大制约了生物医学关系抽取研究的实际应用价值。本文通过引入对抗域训练和生物医学领域知识源,降低生物医学关系抽取模型对于标注数据的依赖,提升模型在少标注样本情况下的关系抽取性能。（1）基于对抗域适应的生物医学关系抽取针对目标任务标注数据（目标域数据）相对较少的情况,通过引入对抗域适应学习方法,利用标注数据充足的相似任务数据集（源域数据）,提升模型在目标任务上的抽取性能。由于目标域数据与源域数据的分布差异,本文基于对抗域适应策略,调整模型的参数,以适应目标域数据的分布特性,利用源域标注数据提升目标域任务的性能,减少模型对于目标域标注数据的依赖。（2）基于知识模型的生物医学关系抽取在生物医学领域建有相对完整的领域知识源,这些知识库中的结构化知识,对于相关领域的生物医学关系抽取具有很强的指示意义。本文基于知识表示学习方法,对生物医学知识库中的三元组进行知识表示学习,获得实体以及关系的知识表示;使用拼接的方式,将学习到的知识信息融合进生物医学关系抽取模型,通过引入相关领域知识,减少生物医学关系抽取模型对于标注数据的依赖。本文提出的基于对抗域适应的生物医学关系抽取方法和基于知识模型的生物医学关系抽取方法分别在国际公开的生物医学关系抽取数据集上进行了验证和评估。实验结果表明,本文提出的方法能够通过引入相关任务标注数据和生物医学领域知识,有效降低生物医学关系抽取模型对标注数据的依赖性。