近年来,关于生物医学研究的文献数量急剧增长,其中包含了大量的生物医学知识,对生物医学的研究与应用至关重要。生物医学文本挖掘（Biomedical Literature Mining,BLM）技术帮助科研人员从这些文献中自动挖掘和提取知识,受到了越来越多的关注。生物医学命名实体识别（Biomedical Named Entity Recognition,Bio-NER）是BLM的一项基础性任务,在BLM的各种下游任务中发挥着重要的作用。相比于通用领域的实体,生物医学实体更加复杂,实体相互嵌套或不连续的现象广泛存在。然而,现有的大多数工作都集中于提取扁平化的实体,忽略了嵌套实体和不连续性实体。此外,大多数生物医学命名实体都未遵循统一的命名法,具有许多典型的领域特征,但其使用效率较低。针对上述问题,本文提出基于深度边界组合的Bio-NER方法。本文的研究工作可分为以下三部分:（1）提出基于深度边界组合的Bio-NER模型,用以识别生物医学文本中的嵌套实体和不连续性实体。深度边界组合模型是一个基于神经网络的级联框架,主要由三个步骤组成:边界检测、边界组合、实体筛选。首先,识别实体的开始和结束边界,然后,将其组合成候选实体。最后,对候选实体进行筛选和分类。经过实验验证,本文提出的方法能够有效识别生物医学文本中的扁平化实体、嵌套实体和不连续性实体,极大地提高了命名实体识别性能,在GENIA数据集上获得了81.34%的 F1 值。（2）提出结合CRF的深度边界组合Bio-NER方法,更有效地利用生物医学实体的领域特征。使用CRF算法,充分利用生物医学词汇的原始特征、词性特征、前缀/后缀特征等特征信息和更深层次的语义信息,结合深度边界组合框架的灵活性,完成Bio-NER任务。实验显示,在深度边界组合模型的基础上,加入领域规则能够有效提升实验性能。（3）设计并实现Bio-NER工具。基于结合CRF的深度边界组合Bio-NER方法,设计并实现了 一个界面友好、便于使用的Bio-NER工具,方便科研人员使用。本文提出的基于深度边界组合的Bio-NER方法,有效地利用了生物医学领域特征,识别生物医学文本中的扁平化实体、嵌套实体和不连续性实体,为BLM的下游任务奠定基础。基于此方法,构建了便于科研人员使用的Bio-NER工具。