命名实体识别是自然语言处理领域中一项非常基础的任务,在机器翻译、问答系统等众多自然语言处理任务中有着广泛的应用,其准确率直接决定下游任务的效果。医疗命名实体识别指从医疗文本中识别出特定的医疗实体,是智能医疗、医疗知识挖掘、医疗临床决策支持系统等高层应用的基础工作,具有重要的理论研究价值和实际应用前景。由于国内医疗命名实体识别技术起步较晚,现有相关工作存在多方面的局限性,因此本文试图将如今较为先进的深度学习模型进行整合,开展医疗命名实体识别相关研究,主要工作和贡献体现在下述三个方面:(1)提出了一种基于堆叠神经网络的医疗命名实体识别方法。因为医疗领域的文本有很强的专业性,传统模型的方法并不能很好的识别边界模糊的实体;并且医学文本通常比较长,信息存在远距离的依赖关系,单层的神经网络难以提取远距离的特征。针对此问题,本文提出了一种基于堆叠神经网络的医疗命名实体识别方法,利用多层堆叠的双向循环神经网络对医疗文本进行编码,使用条件随机场选取最优序列标注路径,提高命名实体识别的准确率。(2)提出了一种基于膨胀卷积神经网络的医疗命名实体识别方法。考虑到卷积神经网络应用在命名实体识别任务时,会忽略先前的输入;如果简单叠加卷积神经网络,更多提取的是局部信息,不能获取长句的特征。针对此问题,本文提出一种基于膨胀卷积神经网络的医疗命名实体识别方法,利用膨胀卷积神经网络来解决捕获特征不全面的问题,并且对数据集添加特定的特征词,从而提高医疗专业领域的实体识别效果。(3)提出了一种基于BERT预训练的医疗命名实体识别方法。本文考虑在词表示方向做出进一步优化,设计了一种基于BERT预训练的医疗命名实体识别方法。由于传统词表示方法存在静态的词表示不够灵活、特征抽取器的选取不佳、单向语言模型影响效果等问题,本文选择采用BERT预训练的字向量来代替传统词向量表示,为CRF网络提供足够的先验知识(语法、词义等信息),从而提升医疗命名实体识别效果。