随着计算机科学与技术的迅猛发展,人们对医学信息研究的不断深入挖掘,国内医疗领域信息化已日趋完善。中文电子病历作为医疗信息的重要载体,已经越来越受到人们的重视。海量的电子病历数据里面蕴含大量重要的医学命名实体,挖掘这些实体不仅具有巨大的商业价值,同时也对医学特种病例的科学研究具有巨大帮助。但是,电子病历数据是非结构化数据,大量的命名实体分布在杂乱的数据中,并不能直接被计算机识别利用。因此,采用自然语言处理技术对中文电子病历进行智能分析和数据挖掘已是医学信息领域研究的重要趋势。命名实体识别是自然语言处理的一项基本任务,是信息抽取的关键组件。它主要研究从非结构化文本中识别出含有特殊语义信息的专有名词或特殊词汇,同时命名实体识别在信息检索、问答系统等学科都有广泛应用。近年来,深度学习迅速发展,各种神经网络模型大量涌现,尤其长短期记忆单元、门循环单元和Transformer等都在自然语言处理的各个领域取得了非常优异的成绩。本文在深入调研国内外相关研究背景和进展的基础上,对基于深度学习的中文电子病历命名实体识别方法进行了研究和讨论,主要工作和创新点如下:(1)由于国内缺少公开且较完备的中文电子病历数据集,故本文以真实完整中文电子病历自建实验数据集。针对中文电子病历数据的特点和在命名实体识别任务中的诸多难点,选择最为有效的方法对数据集进行预处理工作,包括人工实体标注、中文分词、词向量化等。(2)以Bi LSTM和Bi GRU为基础对中文电子病历命名实体识别任务建模,在模型中融合注意力机制,并在输出层之前引入条件随机场,以构建Attention-Bi LSTM-CRF和Attention-Bi GRU-CRF两种命名实体识别模型。实验部分讨论不同参数下模型的识别效果,并以此获得模型的最佳参数配置。(3)为了进一步提高识别效果,本文提出一种基于Transformer-CRF的中文电子病历命名实体识别模型。该模型使用Transformer提取上下文的文本特征,并在输出层之前引入条件随机场,以弥补Transformer模型不能充分考虑输出标签之间的关联这一缺点。实验部分讨论不同参数下模型的识别效果,不断优化参数设置,并取得了较好的识别结果。