产科电子病历作为医生全面了解孕妇和胎儿情况的主要渠道,对于提高人口的生育健康水平有着重要意义。结构化处理方案是一种对电子病历中非结构化文本进行信息挖掘的重要手段,提升了医护人员的工作效率与信息的利用程度。文本分类作为结构化功能中的关键模块,对最终结构化效果起着至关重要的作用。深度学习技术的快速发展为文本分类任务的解决带来更多可能性,研究如何将新技术与现有解决方案相结合,进一步提高现有方案的准确率,具有很高实用价值。本文使用产科电子病历中分娩记录单文本数据集,提出一种针对分娩记录单中的六个类别的短文本(句子级别)分类算法,该算法针对于以下三个方面做出改进:(1)使用BERT预训练语言模型对句子进行特征向量化表示,避免了传统中文词向量严重依赖分词算法的问题,并且提升了特征向量表示文本上下文的能力;(2)在病历文本预处理阶段,针对于产科病历文本中出现文本书写不规范、句子边界难以分割的问题,本文将基于Bi-LSTMCRF的序列标注方法应用到分句任务中,增强了数据预处理阶段的句子切分能力;(3)使用包含多层卷积的卷积神经网络作为模型的分类器,增强了模型提取上层特征的能力。实验结果表明,本文提出的基于BERT+CNN网络模型在产科电子病历文本分类任务的F1值达到94%,高出基准模型Text CNN 6%左右,并且在较少的数据集上F1差值能达到10%左右;句子切分算法的F1值达到了80%左右,使用Bi-LSTM+CRF具有更好效果。本文使用近些年自然语言处理领域最热门技术对传统文本分类进行了改进,为结构化提供了更多解决方案选择,并且为此后相关研究提供了借鉴和参考。