电子病历（Electronic Medical Record,EMR）已成为医疗机构工作中不可或缺的一部分,其中包含了临床发现、诊断、药物处方等重要信息。这些信息已被应用于临床决策、死亡率预测、药物不良反应分析等临床领域的自然语言处理研究上。然而,不同的医疗机构对电子病历的书写有着不同的标准,标准化电子病历等临床数据中的术语可以提高不同机构之间共享临床信息的能力,以及不同临床领域应用平台之间的互操作能力;并且可以提升数据的质量,有助于优化基于电子病历数据的机器学习模型。本文以2019美国国家自然语言处理挑战（National NLP Clinical Challenges,n2c2）发布的临床术语标准化任务为背景进行研究,该任务需将电子病历中的临床术语标准化为统一医学语言系统（Unified Medical Language System,UMLS）中的概念唯一标志符（Concept Unique Identifier,CUI）,每条概念唯一标志符有着若干条字符串描述。本文针对临床术语标准化语料库的稀缺性与现有标准化方法难以解决同一语义不同词形的问题展开研究,具体研究内容包括:（1）提出了将临床领域预训练语言模型词特征迁移编码到孪生循环神经网络中的方法。传统的标准化研究使用特征工程结合机器学习的方法避免了对大规模语料的需求,但其需要对特征提取方法进行定义。孪生网络使用相同的子网络来处理相似的输入,适合于计算语义相似度,其在小规模的语料上表现好,目前还没有工作将其应用到临床术语标准化工作中。本文将临床领域预训练模型的词特征嵌入到孪生循环神经网络中进行临床术语标准化。通过对比实验对几种不同的预训练语言模型和不同的循环神经网络进行选择,并与常用的术语标准化系统MetaMap做对比,证明该方法在稀缺标注语料上的有效性。（2）提出了一种跨语言文本相似度计算的方法。由于UMLS词典规模非常大,一般先从中产生小规模的CUI字符串描述候选集。传统的候选集生成方法基于词形变体和共有词,不能解决同一语义不同词形表达的问题。本文提出了跨语言文本相似度计算方法,通过借助其他语言的语义对当前语言的语义进行比较。这种方法不仅能比较同义词,还有着词语增删、调整句子结构语序的效果。本文分别将基于单词字符的方法和基于词频-逆文本词频（Term Frequency-Inverse Document Frequency,TF-IDF）的方法应用在候选集的生成上,然后使用跨语言文本计算相似度的方法对候选集的选项做了补充或更新。通过对比实验证明该方法有效地提高了候选集的召回率,且提升了标准化的准确率。