随着计算机技术和生物技术的高速发展,生物医学文献正以指数方式增长。面对这些海量数据,研究人员迫切希望揭示蕴含于其中的生物医学知识,这一需求推动了生物医学文本挖掘技术的产生与发展。命名实体识别和链接作为其中的一项重要研究,旨在从文本中识别出生物医学实体并将它们映射为唯一的实体标识符。实体识别和链接研究是关系抽取、信息检索、知识库自动填充等任务的首要步骤,具有重要的研究意义。生物医学领域存在丰富的词典资源,能够作为数据驱动方法的补充,建模数据背后隐含的关联逻辑。本文深入探索生物医学词典中的实体名信息、实体描述信息以及实体结构信息的表示方法,重点研究基于实体知识表示的生物医学实体识别和链接任务,主要研究内容如下:研究基于生物医学词典和语言模型相结合的实体识别。分别通过字符匹配和n元匹配算法抽取实体名的词典特征,并映射为低维向量表示。同时,利用语言模型获取上下文特征。探究上述特征表示的组合对实体识别性能的影响。实验表明,词典特征表示有助于生物医学实体的识别,而语言模型的加入能够进一步提高识别的性能。研究基于实体描述文本的实体表示,用于生物医学实体链接。抽取词典中实体的描述文本,基于神经网络学习实体表示。再利用Transformer模型,抽取与实体表示相关的上下文信息,用于实体消歧。实验表明,基于实体描述文本的实体表示有助于实体链接性能的提升。研究基于实体结构信息的实体表示,用于生物医学实体链接。利用词典中的同一实体多种变体和不同实体同名的实体结构知识,基于自动编码机,学习实体表示。再利用Transformer模型,抽取与实体表示相关的上下文信息,用于实体消歧。实验表明,通过自动编码机学习获得的实体表示,嵌入了词典实体间的结构信息,进一步提高了实体链接的性能。本文研究能有效提高生物医学实体识别和链接性能,并且也适用于其他领域的实体识别和链接任务,具有领域普适性。