生物医学文本挖掘技术能够自动挖掘出海量生物医学文献中关键性的生物医学知识,对于构建生物医学知识图谱和数据库具有重要推动作用。生物医学命名实体识别作为文本挖掘中的最基础性任务之一,目标为提取文本中的生物医学实体信息。目前已有众多基于深度学习的算法被用于识别生物医学领域内的命名实体。但由于生物医学实体存在一词多义、实体边界难以准确界定以及标签数据的缺乏,导致现有算法识别效果不佳。多任务学习通过在相关联任务间引入归纳偏置能够提升每个任务的效果。因此,本文分别提出了利用触发词检测和语言模型等任务来辅助识别生物医学命名实体的方法。本文的主要研究工作如下:（1）本文提出了基于多任务学习的生物医学触发词检测和命名实体识别算法（MTL-TD-NER）。现阶段,标签数据的缺乏严重影响了基于深度学习的命名实体识别算法的效果。命名实体和触发词都是用于描述生物医学事件的关键信息。命名实体识别和触发词检测之间存在互利的特征信息。因此本文提出了基于多任务学习的生物医学触发词检测和命名实体识别算法,算法思想主要是首先采用硬共享方式的特征提取层来同时提取实体识别和触发词检测的相似特征,然后采用不同的分类层分别处理两个任务,最后将两个任务识别的结果信息分别传入到彼此的分类层中帮助彼此进行分类任务。在MLEE数据集上,与基于单个任务的触发词检测算法和命名实体识别算法相比,实验结果表明MTL-TD-NER算法可以同时更好地检测触发词和识别命名实体。（2）本文提出了基于字符级别无监督语言模型的多任务生物医学命名实体识别算法（MTL-CLM-NER）。现阶段,预训练的词向量通常是静态不变,无法很好地处理未登录词问题。生物医学特定领域内的语言学信息有助于改善预训练词向量的质量。因此本文提出了基于字符级别无监督语言模型的多任务生物医学命名实体识别算法,算法思想是首先在特定数据集字符级别上建立无监督的语言模型,以学习特定领域中整个上下文字符级别的信息,然后将字符级别语言模型学习到的语言学知识用于动态地调整命名实体识别模型中的词向量,最后同时训练语言模型与命名实体识别两个任务。在Bacteria和JNLPBA数据集上,与现有基于深度学习的命名实体识别算法相比,实验结果表明MTL-CLM-NER算法在命名实体识别任务上具有更好的识别性能。