近年来,随着生物医学技术和计算机技术的飞速发展,产生了海量的生物医学文本数据,如何有效处理和充分利用这些数据已经成为一个重要问题。生物医学命名实体识别是生物医学文本信息处理的一项重要任务,并对其下游任务如实体关系抽取、问答系统、文档分类等产生重要影响。生物医学命名实体识别旨在识别生物医学文本中的疾病、基因、化学物质等具有生物医学意义的实体并标记其类型。与通用领域的命名实体识别任务相比,在生物医学领域开展命名实体识别任务仍然存在诸多难点。生物医学文本数据涵盖的化学物质、基因、蛋白质等生物医学实体通常由长序列组成,不仅数量繁多而且结构复杂。此外,在待识别的生物医学实体中普遍存在缩写、别称、嵌套、大小写混合、一词多义等命名不规范现象,导致现有工作仅依赖单一的深度学习模型（例如,卷积神经网络、双向门控循环单元或注意力机制）难以学习生物医学文本数据的特征表示。针对以上问题,本文对基于深度神经网络的生物医学命名实体识别方法进行了系统的研究,主要研究内容包含以下几点:（1）本文提出一种基于组合特征嵌入和多任务学习的生物医学命名实体识别模型（BC＿MT＿Bio NER）。该模型主要包括共享层和任务特定层,其中共享层将Bio BERT生成的上下文单词嵌入向量与Char CNN生成的字符嵌入向量融合,获得具有单词和字符双重特征的向量表示信息,有效解决了现有方法对生物医学文本数据语义特征提取不充分的问题;此外,在任务特定层采用具有全局注意力机制的Bi GRU来捕获相邻字符和句子上下文信息,最后利用CRF对序列标签进行预测。模型将15个生物医学数据集中的每个数据集都视为一个独立的任务,对不同任务都采用一个特定的模块,通过联合训练所有数据集使模型获取不同任务之间的共同特征,以提升模型的普适性。实验结果表明,BC＿MT＿Bio NER模型在15个常用生物医学数据集上的平均F1值最高可达85.51%。（2）本文提出一种联合生物医学命名实体识别和规范化的深度神经网络框架（BCBA＿GS＿Bio NER）。在生物医学领域联合建模生物医学命名实体识别任务和生物医学命名实体规范化任务,充分利用不同任务之间的相互作用,在降低错误传播问题的同时也有效地利用生物医学命名实体规范化任务提升了生物医学命名实体识别任务的准确率。该框架主要包括识别模块、查询模块、融合模块。在识别模块,使用预训练语言模型Bio BERT替代传统的静态词向量表示方法,动态的生成上下文单词嵌入向量,并与Char CNN生成的字符嵌入向量进行拼接后再输入Bi LSTM中,以获取更充分地语义信息;在查询模块,使用Bio BERT生成标准实体的特征向量,利用注意力机制计算输入文本的生物医学实体和标准实体之间的相关性;在融合模块,使用门控机制融合识别模块和查询模块输出的特征信息,最后通过Softmax分类器输出标准实体在文本数据中所对应的生物医学实体标签。在NCBI和BC5CDR数据集上对BCBA＿GS＿Bio NER模型进行了实验,实验结果表明该模型性能优于对比模型。