最近几年,“智慧医疗”逐渐融入人们的生活,2020年,新冠疫情使得“互联网+医疗”更加火热。如何从大规模中文电子病历数据中获取有价值的医疗信息成为研究的重点,电子病历中实体抽取是研究这一问题的基础。但是,中文电子病历所包含的疾病名称、临床症状、药品名称等较为复杂;不同医生在使用专业术语上有差别;不同实体类别之间边界不清晰。以上这些问题都加大了中文电子病历中实体识别的难度。本文针对这些问题,首先,制定了一套中文电子病历标注规则,然后,在规则的指引下对实证数据集进行标注,最后,在此基础上充分发挥多种模型算法的优势进行实体识别。具体研究工作包括:（1）提出了一套新的中文电子病历标注规则,并在实证数据集上进行标注和验证。在传统的中文电子病历实体识别研究中,对于实体的划分并不详细规范,本文除了将疾病名称、药品名称、手术名称等常见医疗实体划分出来,还把修饰实体,例如:量词、程度修饰词等实体也划分了出来,因为这些实体也同样蕴含着丰富的医疗价值。另外,对于各类实体存在的边界模糊难以识别的问题,本文提出了一套复合标注规则,很好地解决了这一难题。（2）提出了基于CRF模型的实体识别方法。条件随机场（CRF）模型在进行实体识别时,通过滑动窗口的移动来判断窗口内标签之间的关系,通过条件概率转移矩阵较为准确地计算出某个标签前后大概率出现另一个标签的概率。本文结合中文电子病历语料的特点对CRF模型的特征模板进行设计,再将该模型用于中文电子病历的实体识别中。与多种机器学习算法做实验对比,CRF模型结合自主制定的标注规则进行中文电子病历的实体识别得到了较好的实验结果。（3）提出了基于扩张卷积CNN-CRF模型的实体识别方法。CRF模型在实体识别中的优势在于识别字符与字符之间的关系,但是,不能很好地结合长依赖特征识别语句与字符之间的关系。卷积神经网络（CNN）可以通过卷积层较好地表达数据局部信息,再通过池化层获得具有代表性的特征。本文在CNN基础之上,使用扩张卷积扩大感受野范围从而学习到更多的语义信息进行实体识别。再将识别结果输入到CRF模型,进行一遍识别上的修正。既结合了语义上下文信息,又结合了标签与标签之间的关系进行实体识别,相比于CRF模型,实验结果有了显著提升。（4）提出了基于BiLSTM-CRF模型的实体识别方法。CRF模型不能结合具体的语句信息作出判定,而深度学习中的双向长短期记忆神经网络（Bi LSTM）模型可以通过自身的多层“门”结构来选择遗忘和记忆语句中的关键信息,从而判断语句与标签之间的关系。因此,本文结合CRF与Bi LSTM在实体识别中各自的优势,使用Bi LSTM-CRF模型进行实体识别,得到了90.67%的准确率,90.70%的召回率,90.68%的F1值,优于本文目前已知的这一领域的实验结果,可以达到实际应用的需要。