随着医疗信息化建设和生物科技的迅猛发展,生物医学文献和电子病历的数量呈现出指数级增长的态势,蕴含在这些生物医学文本中的信息成为生物医学研究的宝贵资源。但由于生物医学文本大都是以自然语言描述的非结构化形式存在,计算机无法直接对其进行有效的分析和利用。因此,通过生物医学文本挖掘技术对生物医学文本进行有价值信息的提取和利用,将对生物医疗技术的进步和医疗健康领域信息化建设的发展产生深远和积极的影响。生物医学命名实体识别和标准化是生物医学文本挖掘的基础任务之一,旨在从生物医学文本中识别出预定义的生物医学实体,并将其映射到标准的ICD编码或其他生物医学本体。它们为下游的生物医学知识图谱构建、智慧医疗以及智能医保控费的研究提供支持。基于此,本文分别研究了生物医学命名实体识别和临床术语标准化任务。针对中文医学命名实体识别任务中存在嵌套实体和低资源等问题,本文提出了基于指针网络和对抗训练的医学实体识别方法。通过使用指针网络标注的方式,可以无差别地识别非嵌套实体和嵌套实体,通过使用对抗训练在文本向量表示上添加扰动生成对抗样本,可以有效的缓解模型鲁棒性差的问题。实验结果表明,该方法对标注策略的改进及引入对抗训练可以有效的提高模型性能。针对中文临床术语标准化任务中,术语描述具有口语化、不规范性以及多样性的问题,本文提出了基于深度语义匹配的临床术语标准化方法。通过使用Jaccard相似度算法从标准术语集中生成候选术语集,使用BERT模型提取临床术语的深层语义特征,并构建二分类模型得到标准的临床术语名称。该方法在CHIP2019临床术语标准化评测数据集上进行了实验,准确率达到了90.04%,验证了该方法的有效性。针对中文多蕴含临床术语标准化任务中,蕴含标准词数量不确定、原始文本与标准词之间字面重叠度低、标准词之间存在依赖关系和标准词类目多等问题,本文提出基于知识增强的多蕴含临床术语标准化方法。该方法的总体思路是粗召回、精排序、再匹配的三阶段策略,通过构建标准词数量预测模块,引入知识表示学习算法捕获标准词之间的内在联系,构建临床诊断文本与标准词之间的映射规则集合,来达到提升性能的目的。该方法在CHIP2020临床术语标准化评测数据集上进行了实验,实验结果验证了该方法对于多蕴含临床术语标准化任务的有效性。