生物医学命名实体识别作为生物信息抽取领域的基础性任务,是生物实体关系抽取、事件抽取等任务的先决条件。目前生物医学命名实体识别任务采用的主流方法是基于深度学习的方法,其可以避免复杂的语言学分析,从而减低人工特征工程的代价。然而,现有的基于神经网络方法的识别性能并没有达到最优的浅层机器学习效果。因此如何利用深度学习方法提升生物医学命名实体识别任务的性能是本文的主要研究内容。为了避免传统的神经网络框架忽略一些潜在的单词级别与句子级别的语义信息,本文提出了一个整合双通道与句子级读入控制门的新LSTM框架。在输入部分,增加双通道分别获取来自静态词向量和微调词向量的两种语义信息。然后,在神经网络内部整合了读入控制门来决定句子表示向量的传播情况。最后,在输出标记时利用CRF模型充分考虑上下文单词的类型间的依赖关系。在BioCreative II GM语料上取得了89.49%的F₁值。虽然在输入部分整合双通道可以考虑更加丰富的语义信息,但在语料中出现未登录词时还存在一定的问题。因此,本文在整合句子级读入控制门的基础上,考虑了字符级词向量与语言模型。在输入部分加入字符级词向量更准确的刻画单词本身的拼写信息,并基于注意力机制对字符级词向量与原始词向量进行组合作为网络的最终输入。同时,将语言模型集成至神经网络框架中,充分利用所有训练数据来学习语义和句法组成的一般特征表示。然后,神经网络可以通过语言模型学习到的特征表示来更准确地预测单词的标记。最后,在Bio Creative II GM语料上的F₁值为89.94%,优于现存的所有系统,并在JNLPBA语料上取得了74.80%的F₁值,也达到了令人满意的效果。综上,本文应用了两种深度学习方法提升生物医学命名实体识别任务的性能。最后,在没有加入任何人工特征与后处理操作的情况下,本文在BioCreative II GM语料上取得了89.94%的F₁值,并且比目前最好系统的F₁值提高了0.89%。