随着互联网医疗事业的发展,医疗的智能化、信息化成为发展趋势。电子病历存储了丰富的患者诊疗数据,是实现智能化、数字化医疗信息建设的重要基础。但是,大部分电子病历都以自然语言方式录入的医疗文本格式进行保存。想要从这些非结构化、冗余且复杂度极高的医疗文本数据中直接获取高价值的内容是非常困难的,同时也不能直接使用人工智能算法对这些医疗文本进行深一步的挖掘与分析。因此,电子病历的结构化问题成为人工智能时代研究的热点,其中命名实体识别是实现电子病历结构化的第一步。目前,随着人工智能的发展,越来越多的研究表明深度学习在实体识别任务中已经取得了不错的分类效果,但前提是需要大量的、标注好的数据作为深度学习模型的训练数据。在医疗领域,由于医疗实体自身具有专业性、不规范性以及结构复杂等特点,导致了医疗实体的数据标注需要医疗领域专家花费大量的时间和费用成本完成,因此基于少量标注数据的医疗命名实体识别成为了目前关注的问题。为了解决上述问题,本文研究了基于少量标注数据的医疗命名实体识别方法,主要包括以下两部分内容:1)提出了基于自训练学习的医疗命名实体识别方法在医疗领域,医疗文本中含有大量的嵌套实体和专业名词,对标注专家的专业水平要求较高,人工标注数据的成本大。本文首先通过基于少量标注数据用于训练初始分类器模型,该初始分类器模型对未标注数据进行预测,以挑选生成伪标签数据,从而充分利用未标注数据;然后提出了一种混合的数据增强方式,即使用伪标签数据和实体替换结合的方法进行数据增强;最后对于增强后的数据使用注意力判别器作为数据的判别模型,筛选出符合模型训练的增强数据用于模型再训练。最终实验结果表明,我们的方法的F1值最高为75.22%,大大的提高了模型实体分类性能,相比现有的自训练学习方法的F1值提高了10.19%。2)提出了基于多标准主动学习的医疗命名实体识别方法基于自训练学习的方法在一定程度上实现了少量标注数据下的医疗命名实体识别,但在实现过程中对于未标注数据的选择采用随机选择的方式,数据的整体利用率仍不够高。在实际临床上,可能存在某些病种（如恶性肿瘤、罕见病等）本身患者数目就比较少,采集到的总体样本数据相对也较少。因此,在自训练学习方法的基础上,提出了一种基于多标准主动学习的乳腺电子病历实体识别方法,该方法优势在于同等准确度的条件下所需要的总数据量相对于自训练学习模型更少。主动学习方法可以挑选出高价值信息的未标注数据进行半监督学习,通过选择策略挑选出最具有价值的样例交由专家进行标注以实现在同等准确度下花费更少的训练数据量。本文从训练数据量、句子标注成本和数据采样均衡性等三个标准确定主动学习选择策略,针对实体识别任务提出了更适用医疗文本的不确定性计算方式和句子标注成本度量规则,采用增量式训练,加快了主动学习过程中迭代训练的速度。该方法与基于自训练学习的乳腺电子病历实体识别研究方法相比,在达到相同准确度的前提下需要的数据量减少了约63.6%。