随着临床医学领域的快速发展,越来越多的研究成果以临床试验文献的形式不断发表,大量的临床证据以非结构化的文本形式蕴含在文献中。临床证据是临床实践指南制定与更新的重要依据,因此从这些非结构化的临床试验文献文本中自动化地抽取出基础的证据信息如药物名称、疾病名称以及疗效指标,对临床实践指南的制定与更新起着至关重要的作用。然而,目前缺乏用于临床试验文献中药物名称、疾病名称以及疗效指标抽取的标准数据集,从而在此领域的实体抽取方法研究进展缓慢。另外,专门用于临床试验文献实体抽取的系统较少,临床研究人员往往缺乏计算机相关背景知识,对开展相关研究造成了障碍。因此,围绕着以上问题,本文主要开展了以下三个方面的工作:（1）本文构建了临床试验文献中药物名称、疾病名称以及疗效指标实体抽取的标准数据集。首先从Pub Med中收集了总共223622篇药物临床试验文献,其中包含系统评价、Meta分析以及随机对照试验三类文献。然后按照收集到的这三类文献类型的数量比例从中随机选取了8000篇文献的摘要文本,通过“人机协同”的方式对其进行命名实体标注与审核,最终得到了包含46578个药物名称、25559个疾病名称以及18970个疗效指标的标准数据集。（2）本文提出了基于BioBERT的多任务学习及键值记忆网络的实体抽取模型（MT-BioKMNER）,并且分别在构建的数据集以及四个公开数据集（BC5CDR、BioNLP11ID、BC2GM、NCBI-Disease）上与CRF、BILSTM-CRF、BERT、BioBERT等四个模型进行了对比试验,此外还重点比较分析了多任务学习机制和键值记忆网络对模型的影响。通过实验分析表明,本文提出的MT-BioKMNER模型在构建的数据集以及公开数据集上,性能都优于其他四个模型。在构建的数据集上,三种实体的平均F1值达到了75.82%,比其他模型中最优的BioBERT模型高了2.54%,其中药物名称的F1值达到了81.72%,疾病名称的F1值达到了68.58%,疗效指标的F1值达到了77.17%。多任务学习以及键值记忆网络的影响分析实验也验证了本文引入这两个机制对模型性能提升的有效性。（3）本文基于MT-BioKMNER模型设计开发了临床试验文献实体抽取系统。系统操作界面简单友好,临床研究人员可方便查看并检索收集的临床试验文献信息,并实现文献摘要文本中药物名称、疾病名称以及疗效指标的自动化抽取。