临床病历文本中所包含的信息资源极其丰富,却因其规范化程度有限而导致信息无法被有效地提取和利用。病人以往的病情、诊断和治疗记录,对辅助医生做出更好的医学决策具有重要意义。本文的研究任务是对中医临床病历文本进行事件抽取,以事件为单元对病人的病情发展进行呈现,同时抽取出每个事件的发生时间。事件抽取技术是从非结构化信息中抽取出用户感兴趣的事件,并以结构化表达方式呈现给用户。经过研究发现,不管是在研究任务上还是研究范围上,当前主流的事件抽取方法并不适用于本文的研究工作。针对以上问题,本文基于深度学习的序列标注方法,对中医临床病历的事件抽取任务进行了研究,主要完成了两个工作。首先设计了一套基于序列标注的中医临床病历事件抽取标签结构,可同时抽取出事件和事件的时间;然后针对本文特殊的研究任务,设计了一套多元的事件抽取评测体系。本文主要工作如下:（1）数据集的构建。因为研究任务的特殊性,本文并未采用传统事件抽取应用的公开数据集,而是以湖北省五家中医院的新型冠状病毒肺炎的诊断病历文本作为数据集,对此数据集进行了规则匹配算法及人工审核的处理,以提高数据集的规范性。（2）标签体系和评测体系的设计。本文进行了独特的标签体系设计,采用EVENT和TIME双属性标签嵌套标注,取得了良好的应用效果。同时,针对本文的临床病历事件抽取任务,设计了严苛和松弛两套评价标准。其中,松弛的评价标准中又根据松弛程度递增构建了6个不同的评价标准。（3）基于深度学习的事件抽取方法研究及应用示例。本文采用了BiLSTM+CRF的深度学习方法,结合本文设计的标签体系方法,对中医临床病历文本进行了事件和时间的抽取,取得了良好的效果。然后对事件抽取的结果与实体抽取的结果进行了结合应用,基于两者位置进行了匹配,从而获得了实体的时间属性,对纵向的临床研究提供了数据支持。