近年来,关于自然语言文本的语义分析在自然语言处理领域是一个研究的热点内容,其中,自然语言文本的信息抽取及属性识别工作是文本语义分析的一项重要任务。信息抽取技术的研究有助于其他文本处理技术的发展,例如信息检索、实体识别、文本摘要等等。随着深度学习技术在自然语言处理某些领域取得了成功,部分学者相继将深度学习技术应用到序列标注、实体识别等信息抽取相关任务上面,并且在标准测试集上得到了比传统统计学方法更好的表现,然而以往工作仍然存在信息获取不充分等问题。因而,在前人已有工作基础上,本文提出了基于双向LSTM与CRF集成的深度神经网络模型。在2016年SemEval的医疗事件抽取以及事件属性预测任务中,该模型将医疗文本的词性以及命名实体的描述信息当作附加属性,使用双向LSTM神经网络学习文本的多维隐藏特征,解决了传统方法通用性不强以及无法捕捉前后文隐含信息的缺点,然后,使用LSTM学习到的多维特征作为CRF的输入,最后去判断候选词汇是否属于医疗事件以及识别其相关属性。实验结果表明,本文提出的神经网络结合CRF的模型对医疗文本的抽取效果相对于传统的方法有着较大的优势。