自人工智能技术发展以来,各领域都在寻找有利的结合点,最近几年,人工智能技术也不断涌现出与医疗领域结合的趋势,同时大量的数据资源、快速的计算能力、算法的不断优化等基础准备的成熟与创新也成为发展医学领域智能化技术的重要基石。在这种趋势下,我国医疗智能化的发展面临着前所未有的机遇和挑战,图像和语音技术的成熟为医疗行业带来新的机遇,但是由于语言的复杂性使得自然语言处理在医疗领域的应用仍然面临着诸多挑战。例如,中文医学标准术语集不完善,中文分词难度大,中文医学临床数据标准程度不高;在整合医学文本和其他数据资源时,往往遇到多词一意的情况,使得我们很难构建一个更为丰富的医学知识库;医学实体在术语化和口语化之间的不同导致病人与医疗系统存在沟通成本,阻碍了智能化医疗系统的发展和普及。由上述问题可知,医学同义词提取是将自然语言处理应用到医学领域的一个关键技术,已经存在的同义词词库并不完整,尤其在医疗领域几乎没有,仅仅依靠人力来扩充和丰富医学同义词数据是一项非常消耗人力和财力的任务。针对上述问题,本文构建了一个中文医学同义词数据集,比较了基于余弦相似度和支持向量机的同义词分类算法,在此基础上提出了基于注意力机制的医学同义词分类算法并应用到同义词在线编辑检索平台中。该方法不仅充分利用了医学文本的上下文信息学习到每个医学实体的词向量表示,还结合了医学词汇特征和搜索引擎信息挖掘特征向量。在比较了两种同义词分类算法的基础上,本文提出的基于注意力机制的同义词分类算法合理的为每个特征学习到合适的权重,提高了同义词分类的效果。同义词在线编辑平台很好的满足了不同用户的各种需求,为获取医学同义词提供了便捷。本文的主要研究内容如下所示:（1）医学同义词的特征挖掘利用医学词汇特征和搜索引擎信息捕获全局上下文信息,并加入到专注于局部上下文信息的词向量中为其赋予更实际的含义,学习了语言和语境语义特征,提高了低频词的知识表示能力和信息学习的局限性。（2）比较基于余弦相似度的医学同义词分类算法本文充分利用了上下文信息学习到的词向量,和挖掘到的特征向量作为输入,利用余弦相似度算法得到同义词分类结果,并比较了不同的向量表示方法的性能。（3）比较基于机器学习的医学同义词分类算法本文将得到的余弦相似度和挖掘的特征作为最终的医学同义词特征输入到机器学习分类算法（SVM）中,实现了更好的同义词分类结果。（4）提出基于注意力机制的医学同义词分类算法在使用机器学习进行分类时,我们发现SVM并不能充分的捕捉到不同特征对分类结果带来的影响,因此提出注意力机制为不同的特征赋予更合适的权重,最终实现了更好的分类结果。（5）构建医学同义词数据集和设计同义词在线检索编辑平台本文利用网络爬虫技术和海量互联网资源,完成了中文医学同义词库的基本构建。并将该同义词库及本文提出的同义词分类算法嵌入到同义词平台中供用户使用。