循证医学是20世纪90年代在临床医学领域内迅速发展起来的一门新兴学科,是一门遵循科学证据的医学,它能够充分地应用当前所能获得的最好研究证据,结合临床医生个人的临床经验,给患者制定最佳的治疗措施。循证医学通过使用一种通用规范即PICO原则来解决实际的临床问题,它的主要内容包括患者/参与者（Patient/Participant）,干预手段（Intervention）,对照措施（Comparison）,以及关注的结果指标（Outcome）。循证医学的分析首先选择一组可能相关的医学文本,形成一个特定问题答案所依赖的证据基础。为了方便这个选择的过程,所有的医学文本都可以按照PICO原则来进行组织,但是很大一部分医学文本包含了非结构化的文本数据,没有明确的PICO成分。因此,如何从医学文本中快速且高效地识别出PICO成分越来越受到关注。本文的研究内容包含以下三个部分:（1）基于双向门控循环单元模型联合条件随机场的PICO成分识别。传统机器学习方法存在特征抽取不足的问题,并且识别PICO成分要训练多个模型,不仅消耗较大的计算资源而且效率低下。为了解决上述问题,本文提出了基于双向门控循环单元模型联合条件随机场的PICO成分识别的方法,经过训练、测试以及评估,在P成分上的F1值为88.24%,在I/C成分上的F1值为80.49%,在O成分上的F1值为86.62%。实验结果表明,此方法不仅能改善传统机器学习模型存在的特征抽取不足的问题,而且可以同时抽取出多个成分,避免创建多个模型而造成的资源浪费,并且在识别效果上优于传统机器学习模型。（2）基于BERT模型联合双向门控循环单元和条件随机场的PICO成分识别。针对传统词向量无法解决一词多义的问题,而且预测上下文语义信息的能力有限。本文提出了基于BERT模型联合双向门控循环单元和条件随机场的PICO成分识别的方法,经过模型训练、测试以及评估,在P成分上的F1值为91.22%,在I/C成分上的F1值为85.98%,在O成分上的F1值为89.87%。实验结果表明,该方法通过下层的词向量表示和上层的上下文语义信息抽取来提供更加准确高效的训练,从而获得更好的识别效果。（3）PICO成分识别系统的设计与实现。采用BERT联合双向门控循环单元和条件随机场方法进行模型的训练并编写模型接口,实现PICO成分识别系统。本文提出的PICO成分识别方法取得了较好的识别效果,能够从医学文本中快速且高效地识别出PICO成分,以期PICO成分识别能高质量地解决具体的临床问题。