迈入新时代,随着医疗信息化的推进,对医学信息的处理能力要求也日渐上升,将人工智能技术运用于医学领域,可以帮助医务工作者提升工作效率,发现潜在的医学价值信息,也能更好地服务于人民大众,满足百姓的健康需求。命名实体识别作为文本数据处理的基础步骤,为后续数据挖掘,信息抽取,知识图谱任务提供基础的数据服务。因此,命名实体识别技术在医学领域的研究有着非常重要的现实意义。在自然语言处理技术不断向前发展的潮流中,命名实体识别越来越受到人们的关注,在某些领域如科技,金融等取得了一定的成绩。尽管如此,但在医学领域中,由于医学专业的特殊性和中文本身语义表达的复杂多变性特征,命名实体识别在这一领域的研究还存在着以下难题:（1）目前公开的医学文本数据缺乏,基于标注的高质量医学文本如电子病历等更是稀缺;（2）在中文医疗文本命名实体识别中,传统的字词向量表达上下文信息存在不足等问题。基于上述现实问题,本文在深入调研命名实体识别技术应用于医学领域现状的基础上进行了相关研究,研究所采用的数据集来源于biendata的CHIP-2020（Entity）中文医学文本命名识别比赛,主要的研究工作包括:（1）分析机器学习相关算法的缺陷,充分探究比较成熟的Bi LSM-CRF模型在生产实践中的应用,分析其缺陷与不足,Bi LSTM虽然能考虑到上下文的语义信息,也能识别出相应的特征,但是在识别序列的特征重要性程度上尚有困难,针对此问题可以引入注意力机制。（2）针对神经网络模型中的命名实体识别方法在模型训练过程中,传统的字词向量表达过于单一化问题,引入BERT模型后进行预训练,改进Bi LSTM模型为双层Bi LSTM模型,由此提出了基于双层Bi LSTM的BERT-Bi LSTM-CRF识别模型,将大量无标注的数据中的特征补充到网络中,通过对比实验证明该模型能够提升识别效果。（3）系统可视化设计与实现。将本课题的研究成果进行可视化,对算法模型管理和维护集成到Web系统中实现一套可以用于生产实践的医疗NER可视化应用系统,该系统主要面向医务工作者使用,可以对医学文本进行检索,并对识别结果进行可视化分析。对于识别错误或者未收录的新词可以按照一定规则进行人工标注补充到数据集中去以丰富数据集,一方面对模型进行再训练,从而提高识别率;另一方面可以丰富数据集的来源,在一定程度上起到解决标注的数据集匮乏问题。