随着国家信息化建设的不断推进,互联网技术与医疗行业的结合越来越紧密。受计算机技术的影响,医疗行业已经完成了从人工向信息化管理的转变,并且积累了大量的电子病历。命名实体识别（Named Entity Recognition,NER）是自然语言处理的一项基本任务,用来实现非结构化文本中相关实体的识别和分类,电子病历命名实体识别,是指从电子病历中提取出医疗概念的若干实体和边界,可以为后续实现医疗决策,构建医疗知识图谱奠定基础。由于医疗领域的专业特殊性,病历记录中涉及大量的患者隐私,加之记录者个人习惯导致电子病历结构化程度参差不一,为研究人员挖掘其中的价值以及推动医疗行业的智慧发展带来很大的挑战。针对这个问题,结合自然语言处理任务的特点和优势,本文提出一种基于深度学习的命名实体识别方法,对病历中的医疗实体进行提取,并结合公开的数据集验证了本文模型在命名实体识别中的可行性和有效性。本文工作内容主要包括以下三部分:（1）本文对来源于CCKS（全国知识图谱与语义计算大会）和天池大赛瑞金医院糖尿病数据集的900份原始数据进行标注预处理,对CCKS2017、2019两份数据集中的实体描述差异进行规范化处理,最终实现两份数据标注实体的统一。借助Python语言对标注方案进行实现,采用{B,I,O}三元标注对实验涉及到的医疗实体进行了标注。（2）本文采用一种基于预训练模型的BERT-BILSTM-CRF中文病历命名实体识别方法。考虑到医疗领域的命名实体识别任务缺乏大量的专业标注语料库,因此引入了预训练模型BERT进行词向量处理,大大加快了下游任务的收敛速度;同时,BERT对大规模语义的表示能力有效地解决了传统的语言模型词向量表达过于单一的问题,为后续联系上下文信息进行语义序列标注的长短期时间记忆模型,进行词义序列预测的条件随机场模型对病历实体识别的提升奠定了基础。结果表明,基于预训练机制的命名实体识别模型比传统的语言模型F1值提升了4.28%,充分说明预训练机制的引入能够有效提升模型识别效率。（3）本文基于预训练BERT-BILSTM-CRF模型基础上,通过结合迭代膨胀卷积神经网络,对该模型进行改进,提出了一种基于融合局部特征的深度学习模型BERT-BILSTM-IDCNN-CRF,通过融合文本的上下文特征和局部语言特征,有效地提升了文本序列标注的准确性,结果表明,改进的实体识别模型在原先的基础上F1值提升了1.28%,说明了膨胀卷积神经网络能够提高中文命名实体识别的效果。（4）本文采用Python语言,设计了一个中文电子病历在线识别系统,该系统以本文提出的病历识别模型为计算核心,能够对病历中的实体进行有效提取。