电子病历作为患者临床信息的载体,记录了大量病人的临床信息。电子病历记录的临床数据可以为后续诊断、治疗以及研究提供参考和依据。由于电子病历是以自然语言形式存储的无结构或半结构文本,这极大的限制了电子病历的有效利用。所以针对临床医疗文本的信息抽取研究具有重要意义,利用自然语言处理技术从临床医疗文本中抽取有用信息是有效提高电子病历利用效率的方法。本文对临床医疗文本中的命名实体识别和实体关系抽取任务进行了研究,主要抽取文本中包含的医疗实体和实体关系。本文的工作对医疗领域的自动问答、知识图谱、信息检索等相关任务具有重要价值。在之前的方法中,序列标注模型是主要方法,存在模型缺乏外部知识和实体嵌套两个问题。本文提出的方法利用机器阅读理解中的片段抽取类型任务与信息抽取任务在任务形式上相似的特点,将命名实体识别和实体关系抽取任务转化为机器阅读理解任务进行处理。本文采用了上下游任务模式,分别对两个任务构建深度学习模型。通过机器阅读理解的框架,将与任务相关的先验知识利用人工定制问题的方式融入到模型之中,是本文的主要改进。这种方式改进了序列标注模型只能基于文本信息建模而无法利用外部知识的问题。另外,为了使模型能够处理实体嵌套问题,命名实体识别模型的答案预测模块使用边界模型解码实体提及的位置。实体关系抽取模型的嵌入模块中,加入了实体类别标签和跨句信息来增强模型的实体关系抽取能力。本文提出的模型在两个临床医疗数据集上进行实验验证。相比于序列标注模型,本文的命名实体识别模型在CANTEMIST和N2C2数据集上的F1分数分别提升了14和12个百分点;在N2C2数据集上,实体关系抽取模型相比于Bert模型的F1分数提升了7个百分点。