随着大数据时代的到来,互联网上的各种信息以及各式各样的搜索引擎层出不穷,民众可以快速借助电脑或智能手机随时随地搜索自己想学习了解的事物,但是互联网搜索引擎中除了有效信息外往往会伴随着许许多多的冗余信息,这给用户的使用体验带来了很大的负面影响,在医疗领域更是如此,人们在患上疾病或有不适症状时,除了去医院检查之外,在大多数情况下都会先在互联网上搜索相关疾病的知识,进行自我诊断,但是互联网上的不准确、不专业的信息往往会给用户带来很大的困扰,甚至耽误病人的最佳治疗时机,用户在互联网上成千上万的信息中有效筛选出正确的、适用的医疗知识是不现实的。针对上述问题,本文就医疗领域实体识别与意图分析方法展开了研究,并基于上述研究构建了医疗智能问答系统,帮助用户高效、准确的检索医疗知识。本文的主要工作包括以下三个部分:（1）实体识别是自然语言处理的重点研究领域之一,但是,过去大部分的实体识别工作都是建立在英文基础上的,专门针对中文医学领域的实体识别研究相对较少。传统的RNN模型、LSTM模型等神经网络由于其梯度消失、梯度爆炸等问题在中文医疗领域往往表现不佳,基于此,本文提出了一种ALBert+Bi LSTM+CRF模型,不仅能够更好地适应医疗文本普遍较长、难以学习上下文关系的情况,也解决了Bert模型体量大、参数多、训练时间长的问题,并且针对中文医疗命名实体识别任务与各模型进行了对比试验,该模型在医疗数据集上的综合F1值达到了91.40%,在与各项模型的对比实验中均处于领先地位。（2）意图分析任务可以看作是一个多分类任务,但是用于医疗领域意图分析的数据集寥寥无几,并且传统的朴素贝叶斯模型、Text CNN模型等方法针对医疗意图分析任务的预测准确率偏低。本文针对现有数据进行了人工筛选和标注,构建了适用于医疗问答系统的意图分析数据集,解决了该领域数据集短缺的问题,而后提出了一种ALBert+Text CNN模型,弥补了Text CNN模型对于上下文信息不敏感、只能提取局部特征的不足,并且针对医疗文本中一些药物、疾病等词语偏长的问题,将Text CNN的卷积核大小扩充为5种。经过对比实验,本文提出模型的准确率达到了90.24%,相比基础的Text CNN模型提升了1.52%。（3）在上述两项研究的基础上,本文构建了一个基于问句解析的智能问答系统。首先对医疗健康网站进行数据爬取,构建了一个包含4.4万个实体、29.4万个实体关系的知识图谱作为问答系统的数据基础;其次,将上述的训练后的命名实体识别模型及意图分析模型进行整合,设计了一个问句解析器,作为问答系统的核心模块;最后,使用flask开发框架,设计了方便用户使用的前端可视化界面,完成智能问答系统的构建工作。