生物医学文献的数量浩如烟海,能够挖掘出有价值的生物医学信息具有重要的意义。生物医学实体识别工作是从非结构化的文本中识别出相关的生物医学实体,是进行生物医学关系抽取和构建生物医学知识图谱的重要前提。现阶段的研究方法大多是基于深度学习的,这些方法仍存在很多不足之处,例如容易出现过拟合的问题,并且数据分布不平衡的问题一直没有得到很好的解决。本文提出了一种基于强化学习的生物医学实体识别算法,在传统的基于深度学习方法的基础上,用双向长短记忆神经网络学习单词的上下文语义信息,并将其输出的隐含层状态作为强化学习的输入,利用深度Q学习算法来产生序列的标注,完成标签解码工作。相较于传统的利用前馈型神经网络和条件随机场解码,强化学习模型的解码方法更能学习到长距离的特征。并且通过设置合适的奖励机制,可以有效地避免在监督学习中因为数据噪声或者样本不平衡所带来的干扰。最后通过实验证明了在生物医学实体识别工作上,基于强化学习的方法在性能方面具有明显的优势。本文也将理论与实际相结合,应用生物医学实体识别算法模型,开发了疾病知识提取系统。用户通过系统界面可以查看与神经退行性疾病相关的化合物、致病基因、疾病症状、肽、天然产物等生物医学实体,由此为医学领域研究者提供一个知识图谱可视化系统,通过构建关系网络的方法辅助医学专家对相关疾病进行研究。