临床病历是一种重要的数据类型,对于临床分析来说,通常包含有价值和详细的患者信息。近年来,医学领域的自然语言处理已经成为生物医学信息学的一个活跃研究方向。然而,中文临床病历一般以半结构化的文本形式存在,对医学研究造成了一定的困扰。因此,迫切需要对病历文本进行信息抽取,形成结构化病历,有效地利用临床文本。现阶段涌现了大量基于深度学习和预训练模型的方法,在医学命名实体识别领域取得了较好的结果,但多任务学习的相关研究仍较为匮乏。是以,本文结合自然语言处理方法,以人机协同的方式构建了标准数据集,然后实现了细粒度的表型命名实体识别方法,并探索了多任务学习在生物医学命名实体识别领域的实践。本文从以下三个方面介绍:（1）针对现有中文标准数据集缺乏的问题,本文构建了人机协同表型谱标注框架,融合了无监督实体抽取、实体匹配预标注、同源实体抽取模型预标注和基于贪心算法的核心样本筛选等算法。目前,本文基于此框架,已经构建了4个标准数据集,它们分别是TCM-HN、COVID-19、TCM-SX及TCM-HB。其中共包含76,581份病历文本,1,675,200个已标注实体,包含阴性症状、阳性症状和西医疾病等十余种实体类型。本文对标注结果的统计显示,80%的实体由机器标注而成,且审核部分的人工工作量也只占约40%,说明以人机协同的方式标注病历文本,极大地减少了人工标注的工作量。（2）本文以TCM-HN和COVID-19为数据基础,提出了细粒度的表型命名实体识别方法:Phenonizer。该方法利用BERT获得字符级全局上下文表示,结合Bi L-STM提取局部上下文特征,通过CRF捕获实体标签之间的依赖关系。在COVID-19数据集上的结果表明,Phenonizer优于基于随机嵌入、Glo Ve和Word2Vec的方法,F1-score为0.8960。通过比较不同领域的字符嵌入,发现医学语料训练的字符嵌入给模型的F1-score带来了0.0103的提升。此外,本文在两种粒度数据集上对Phenonizer进行了评价,证明了细粒度数据集可以使F1-score略微提高0.005。而且,细粒度数据集使模型能够区分阴阳性症状。最后,本文对Phenonizer的泛化性能进行了测试,F1-score为0.8389,并融合小部分COVID-19数据进行微调,使F1-score提升至0.9097。结果表明,Phenonizer是一种可行的方法,可以有效地提取症状信息,并具有良好的泛化性能。（3）对于多任务学习在Bio NER领域的探索,本文提出了一种级联形式的多任务表型实体抽取方法:CMTL-NER。以W2VM edical-Bi LSTM-CRF和Phenonizer为基础模型,在不影响模型性能的前提下,CMTL-NER减少了模型的参数量和训练时间。本文比较了不同文本长度下,单-多任务模型的性能和训练时间。在CCKS-19数据集上,CMTL-NER的F1-score比单任务模型高0.01;在TCM-HN数据集上,CMTL-NER的F1-score高0.005。此外,CMTL-NER的每轮训练时间都比单任务模型短。最后,本文对经典多任务Bio NER方法MTM-C进行了修改,使其适用中文数据集,并将其作为基线模型。在TCM-HN和TCM-HB数据集上,MTM-C的F1-score都比最优的PhenonizerCM T L-N ER略低0.02,证明了CMTL-NER方法的性能和稳定性。