使用社交媒体平台是如今大部分人日常生活的一大特色。人们喜欢在互联网上分享自己的感受、趣闻轶事、大事小情,包括自己的身体状况、病情、用药等等。这同时也为自然语言处理工作带来了源源不断的数据资源。健康已经成为全世界最为关注的问题之一,它与我们每一个人都息息相关,并且在生活中扮演越来越重要的角色。将机器学习以及深度学习方法应用于生物医学领域是一种新的发展趋势,并将带来更大的发展。而社交媒体数据是由用户自己生成的,与用户关系紧密,通过对社交媒体数据的挖掘分析,我们能够把握到日常生活中用户的一些健康信息,用户的喜怒哀乐,甚至是健康状况都能够反映其中。只要我们捕捉到这些信息,利用好社交媒体数据,就能够对我们的健康状况进行“监测”,及时反馈出心态或者病情的变化。本文以社交媒体数据作为研究对象,通过自然语言处理方法挖掘出与用户健康有关的信息,从而实现对用户健康情况的监测。（1）本文针对社交媒体的标准化任务提出了Bio DRA（Bio BERT based model with Dilated RNN and Attention mechanism）模型,用来对社交媒体中药物不良反应的非正式描述进行专业术语的转化。模型采用了垂直领域的预训练模型,以及字符级嵌入补充文本表示,通过双向扩展的循环神经网络获取上下文信息,最终在公开数据集上比最好成绩提升了2-3个百分点。（2）在对数据进行预处理后,本文选择了两个健康相关的概念:幸福感和抑郁症进行研究。幸福感是一个较为抽象的概念,我们引入了两个细粒度的幸福感相关概念“agency”和“social”。“Agency”是指在我们能够控制的行为下的幸福感,“social”标签意味着这一幸福时刻涉及到其他人。本文针对这两个标签的分类任务提出了SentiBSAS（BERT embedded bi-lstm with Self-Attention mechanism along with the Sentiment computing）模型,在BERT（Bidirectional Encoder Representation from Transformers）和双向LSTM（Long Short-Term Memory）的基础上,利用情感词典融入标签信息,通过与标签相关的外部情感资源进行情感表示,从而提升模型性能。（3）抑郁症因为其特点,经常在发病前期被人忽略,但社交媒体给抑郁症患者打开了的交流的窗户。本文针对社交媒体中的抑郁症“监测”分类任务提出Bio-CSD（Bio BERT based model with Char embedding and Sentiment computing for Depression research）模型,结合前两个模型的特点,利用垂直领域预训练模型和字符级嵌入、自注意力机制,并且引入新的情感资源,丰富情感表示。实验结果表明模型取得了最好成绩,为通过社会媒体数据进行抑郁症的发现提供可能。