实体关系抽取是医疗领域知识问答、知识图谱构建及信息抽取的重要基础环节之一。针对在心血管专病知识图谱构建的过程中尚无公开数据集可用的情况，收集了心血管疾病领域的医疗指南并进行相应的实体和关系类别的专业标注，构建了心血管专病知识图谱实体关系抽取的专业数据集。基于该数据集，首先提出双向变形编码器卷积神经网络（BERT-CNN）模型以实现中文语料中的关系抽取，然后根据中文语义中主要以词而不是字为基本单位的特性，提出了改进的基于全词掩模的双向变形编码器卷积神经网络（BERT（wwm）-CNN）模型用于提升在中文语料中关系抽取的性能。实验结果表明，改进的BERT（wwm）-CNN在所构建的关系抽取数据集上准确率达到0.85，召回率达到0.80， F ₁值达到0.83，优于对比的基于双向变形编码器长短期记忆网络（BERT-LSTM）模型和BERT-CNN模型，验证了改进网络模型的优势。

针对多亏格曲面参数化变形较大、运算复杂度高的问题，提出一种改进的基于全纯1-形式的全局参数化方法。该方法以参数化的梯度场为出发点，采用更快速的同调群和上同调群计算方法。首先，利用简化的割图法计算曲面的同调群以确定其拓扑结构；其次，定义特定的调和函数计算闭合1-形式来构造由梯度场形成的线性空间的上同调群；然后，最小化调和能量将上同调群扩散为调和1-形式；最后，线性组合调和1-形式构造出全纯1-形式并在基本域上积分即得到参数化。由上同调群、同调群相关理论分析表明，该方法所得参数化是一种全局的、边界自由的共形映射。基于多组高亏格模型的实验证明，与原有基于全纯1-形式的全局参数化算法相比，本算法视觉效果更好，平均误差更小，运算效率更高。