药物的出现对于改善人类的生命健康安全,延长平均寿命有着无可替代的重要意义,因此基于药物的研究也得到了飞速的发展与广泛的关注。与此同时,药物所带来的不良反应也由于其危害性,也成为了公众无法忽视的问题。药物不良反应是患者在服用药物时所产生的治疗之外的副作用,该作用一般是有害的,甚至会导致患者的死亡。因而,药物不良反应发现的研究也成为了医学与学术领域的重点问题。尽管药物在投入市场之前会经过一系列的研究手段来发现其不良反应,但是由于药物自身成分的复杂性以及其种类繁多,传统的医学手段如临床试验等受限于时间或金钱等成本,无法有效的获取药物全面的不良反应信息,使得约50%的严重不良反应在未被检测之前进入市场。因此新兴的数据源和研究手段也逐步运用到药物不良反应发现领域,如药物不良事件报告系统、社交网络媒体等都成为了现阶段该领域研究的重点,并取得了良好的效果。因此本文分别针对药物不良反应报告与社交媒体文本提出了基于深度学习与语义分析的药物不良反应事件挖掘算法。在不良反应报告的基础上,本文利用多种生物医学文献与数据平台识别药物与不良反应实体,采用关联规则重构不良反应报告,生成相应的药物与不良反应的短句集合,进一步使用深度学习模型生成药物与不良反应实体的分布式向量表达,实现药物与不良反应之间潜在联系的表达,并通过使用生物医学本体过滤已知药物不良反应,挖掘潜在药物不良反应。在面向社交媒体的医学文本的研究中,本文通过构建卷积神经网络模型,将文本转化为基于分布式向量的表达,并融合情感等语义特征,有效的识别出社交媒体中不良反应相关文本,从而为药物不良反应的进一步研究提供了有价值的参考信息,降低了不良反应发现流程中的金钱与时间消耗。