近些年我国医疗软硬件设施愈发完善,医院信息系统(Hospital Information System,HIS)在各大医疗机构得到了普及,积累了大量的电子病历(Electronic Medical Records,EMR)数据。EMR是临床诊断和治疗的真实数据,具备较高的医学研究价值。信息抽取技术能够从海量的EMR文本中获取研究所需的数据信息,而命名实体识别(Named Entity Recognition,NER)是信息抽取技术的基础及关键。EMR文本中含有大量的隐私信息,目前没有大规模的公开语料可供研究所用,研究语料的缺乏阻碍了我国医疗领域NER研究的发展。中文语言符号的特点,医疗领域EMR文本及实体的特征,也增加了基于中文EMR文本NER的难度。为了能够在小规模训练数据的情况下提升实体识别的效果,本文对中文EMR文本及实体特征进行了分析,由词特征,词性特征,上下文特征,词边界特征和实体标识词特征构成特征集,搭建了基于实体特征的层叠条件随机场(Cascaded Conditional Random Fields,CCRF)模型。为了能够保证模型性能的同时降低训练数据的规模,减少人工标注的工作量,对基于不确定性的主动学习(Active Learning,AL)方法进行了改进。利用初始训练数据训练CCRF模型,从未标注的数据中选取Flag值大于0.5的数据加入到候选池中,再从候选池中选取Similar值小于1的数据进行人工标注后追加到训练数据中。利用更新后的训练数据再次训练CCRF模型,直到识别效果的F值变化小于0.5时停止迭代。该方法在小规模训练数据的情况下改善了实体识别的效果,对中文EMR文本中的疾病名,药物名和症状名实体进行识别,识别效果的F值分别达到了84.66%,91.35%和92.41%。实体识别效果的提升能够在改善信息抽取结果的同时推动医疗领域自然语言理解的发展。