命名实体识别（Named Entity Recognition,NER）是自然语言处理的基本任务,在信息抽取中扮演着重要角色。医学命名实体识别是针对医学领域数据的信息抽取任务,对医疗信息化建设、医学问诊的开展起着重要作用,因此本文针对中文医学领域实体识别方法展开研究。命名实体识别方法经历了从早期基于规则的匹配方法、基于特征模板的统计方法、基于神经网络方法,直到近年来出现预训练加微调方法,在通用领域语料中性能得到了显著提升。但是在临床医学领域中,由于存在较多的术语或非规范用语等情况,且训练数据较为缺乏,普通的神经网络模型无法有效地从中提取知识信息,传统的迁移学习方法所带来的性能提升也有限,导致NER模型的性能表现欠佳。此外,领域差异问题也为医学数据增强带来困难,容易导致增强样本质量低、分布偏差大等问题。由此本文针对医学领域的实体识别任务,分别从挖掘字向量表示、语料增强扩充和模型迁移三个方面进行创新和改进,有效地提升了电子病历语料的实体识别性能。本文的主要研究内容和贡献如下:（1）提出基于主动学习的数据增强方法,使用神经网络模型作为样本查询机制,通过领域分类模型和实体识别模型分别计算样本的领域相关性和标注确定性得分,以指导样本的选择和标注决策,有效地获得领域关联性强的样本并提高了伪标签质量,进而构建医疗领域NER增强语料库;（2）提出多元字结构特征融合方法,设计基于自注意力的笔画和拼音模型以挖掘细粒度字结构信息。通过在笔画和拼音模型中融入位置编码、部首编码和声调信息获得笔顺、偏旁部首、音素和音节等特征,进而捕获字结构、组成、读音等信息。通过预训练获得笔画和拼音编码器,并融入医疗领域实体识别模型进行微调,以获得性能的提升;（3）提出知识蒸馏的轻量级实体识别模型训练方法,利用经医疗领域数据预训练的语言模型作为教师模型来优化学生模型的知识表示,采取预训练、提示学习和微调的三阶段知识蒸馏来逐步训练出参数少、耗时低且性能高的实体识别学生模型。在提示学习阶段中使用了不同的提示模板,有效地增强了模型对下游任务的理解,提升实体识别任务的性能。我们将上述方法用于CCKS2017和CCKS2018电子病历语料库进行实验,并与医学实体识别相关的方法和模型进行对比和分析,实验结果表明本文的方法有效地提升了医疗领域实体识别的性能。