电子病历中的医疗事件及其时序关系在药物辅助研发、在线智能问诊、医疗知识图谱构建等各种智慧医疗应用中具有重要的价值,使得相关技术研究成为当前自然语言处理与医疗信息化交叉领域中的热点问题。针对基于电子病历的医疗事件与事件时序关系识别问题,现有研究已经提出了不少方法。然而,病历数据中存在大量晦涩的专业术语,所包含的医疗事件及时序关系在不同类别之间不平衡,人工标注的医疗事件时序关系训练语料稀疏现象严重,这导致面向电子病历的医疗事件与事件时序关系识别任务依然需要继续深入研究,以进一步提升识别性能。鉴于此,本文聚焦电子病历中的医疗事件与事件时序关系识别问题开展研究,主要研究工作总结如下:（1）针对电子病历中存在大量晦涩的专业术语以及人工标注的病历语料数据稀疏的问题,提出一种基于数据增强的多粒度信息融合模型。该模型利用综合行为能力测试工具Check List生成多样化数据以提高模型的泛化能力,并采用预训练语言模型Bio BERT和自适应Transformer编码器TENER对医疗领域信息进行了多粒度融合,来提升模型对专业术语的理解能力。实验结果表明,该模型在i2b2数据集上的F1值、跨度F1值和类别准确率分别达到了80.26%、90.33%和93.00%。（2）针对医疗事件识别任务中“Occurrence（发生）”类别的事件比其他类别的事件难预测的问题,提出一种融入外部知识的图注意力识别模型。该模型在卷积神经网络和Bio BERT编码的基础上创新性地把词性信息与自注意力机制相结合,并利用图卷积神经网络融入句子的句法知识,强化了模型捕获单词词性和句法信息的能力。实验结果表明,本文的模型将医疗事件识别任务中“Occurrence（发生）”类别事件的F1值提升了2.78%。（3）针对医疗事件时序关系识别任务中时序关系三元组重叠的问题,提出一种基于分层标记框架的联合识别模型。该模型将时序关系建模为句子中的头事件映射到尾事件的函数,巧妙地处理重叠的关系三元组。此外,通过共享相同的上下文表示和事件边界信息,发挥医疗事件识别和事件时序关系识别两个任务之间的协同效应。该模型在i2b2数据集的同类型任务上都取得了不错的结果,F1值分别达到了73.28%和77.26%,并且利于重叠关系三元组的识别。