近年来,随着疾病种类的增多,医生的决策流程变得愈发复杂,对患者疾病诊断的难度呈现指数级别上升,基于电子病历的相似患者识别作为智能辅助医疗决策的核心任务,受到了医疗领域和计算机领域的广泛关注。深度学习的出现使得基于电子病历的相似患者识别技术有了进一步的发展,然而仍存在一些挑战:医疗领域中存在大量专业术语使得模型难以有效地对其提取特征,相关研究中提出的模型在实际应用时推理效率低,传统对比损失导致模型效率低且易陷入局部最优点等。因此,本文采用深度学习技术,针对目前基于电子病历的相似患者识别技术所存在的一系列问题,进行探索和研究。主要的研究工作总结如下:（1）针对医疗领域中存在大量专业术语使得模型难以有效地对其提取特征,直接将开放域语言模型应用到医疗领域存在局限性的问题,提出一种相似患者识别中患者多粒度特征表示编码方法。该方法在模型中融入了人口统计学特征中的年龄、性别信息以及实体信息。通过引入领域预训练语言模型MC-BERT解决领域适配性的问题。实验结果表明,提出的模型能够有效地提取电子病历的患者特征来提高相似患者识别任务的性能。（2）针对相关工作使用预测模块导致模型实际推理效率低,传统对比损失导致模型效率低且易陷入局部最优点的问题,提出了基于难负样本对比学习的相似患者识别模型训练方法。该方法通过加入难负样本的跨批次对比学习训练电子病历的编码表示。这种方式使得每次更新模型梯度时更加准确,最重要的是在实际应用中可以应对大规模数据。实验表明,提出的方法不仅能够进一步提升识别相似患者的性能,而且可以提高训练效率和推理速度。