随着IT技术和医疗信息化的不断发展,电子病历(Electronic Medical Records,EMR)逐渐取代了纸质病历而被应用于众多医院,成为医院信息系统的核心。在医院的现代化管理当中,电子病历不仅起到了高效便利的作用,而且也是科研以及医疗的第一手资料。但是由于电子病历医疗数据规模庞大以及复杂,导致医疗文本内的有效信息并没有得到充分的挖掘。于是,作为自然语言处理技术之一的命名实体识别(Named Entity Recognition,NER)被引入其中。命名实体识别已被广泛的应用于信息抽取、智能问答、句法分析、机器翻译等领域。它成为了各领域人员关注的重点。虽然命名实体识别已经发展了很长一段时间,但是其识别的效果在部分领域仍然没有满足需求。其表现为,传统的命名实体识别方法太依赖于人工特征,需要较高人力和时间成本。有鉴于此,本文引入时下流行的深度学习序列标注模型——BiLSTM-CRF模型来作为基准模型,并基于此模型来进行改进,以便更好的应用在中文电子病历命名实体识别当中。本文研究内容主要围绕以下三个方面:(1)针对国内对于公开的中文电子病历数据严重缺乏和高质量中文电子病历标注数据稀少的情况,使目前常规的算法模型无法拥有很好的识别效果,以及传统的词向量表示为将字映射为单一向量而无法表征字的多义性所带来的问题。引入以BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型为基础,结合BiLSTM-CRF基准模型,提出了一种基于BERT-BiLSTM-CRF的中文电子病历命名实体识别模型,将海量无标注数据中的特征补充到网络中。通过对比实验证明该模型能够有效增强字的语义表示以及在小规模标注语料的情况下取得较好的识别效果。(2)结合预训练和迭代扩张卷积,提出了一种基于BBIC的中文电子病历命名实体识别模型。使得算法模型能够对BERT传过来的向量不仅仅聚焦全局特征也能够兼顾局部特征,并且对于扩张卷积来说,dilated width会随着层数的增加呈指数增长,参数数量是线性增加,而感受野却是指数增加的,如此可以快速覆盖到所有的输入数据。实验表明,在基于小规模标注语料的情况下结合预训练使得改进的模型能够更准确的获取文本特征信息并且识别效果上有了进一步的提升。(3)将残差连接引入BBIC模型,解决为增加表征能力而给网络模型在堆叠多层时出现的神经网络退化问题,进一步的去优化整个模型给中文电子病历的识别效果带来提升。实验结果表明,所提出的模型能够带来更好的中文电子病历命名实体识别效果。