中医药学文本中涵盖大量具有医学价值的信息,准确快速的抽取文本中重要数据信息,可以为临床诊疗、患者自诊等提供数据支持,进而为中医药规范诊疗提升诊疗水平奠定基础。命名实体识别作为一种实体信息抽取技术,可实现对大量存储于文本中非结构化的数据结构化转换,对于目标对象的实体数据信息的抽取及知识图谱的构建都具有重要作用。而在中医药领域的命名实体识别任务中已标注数据缺少、文本数据特征不能被充分利用是命名实体识别精度不高的重要原因。针对此类问题,本文采用深度学习的方法对中医药命名实体识别进行研究,主要研究内容如下:（1）提出一种基于改进的生成对抗网络数据增强算法。传统数据增强算法以SeqGAN为核心,而以LSTM为生成器的SeqGAN存在限制算法并行化、训练速度慢的问题。为此,本文以Transformer模型来替换LSTM模型以抛弃原有的循环结构,允许算法更多并行化的同时增强数据之间的联系,进而提升生成数据的质量。其次,传统的数据增强命名实体识别方法中的Lattice LSTM模型,缺乏对词汇信息的有效利用及中文汉字特征的捕获能力。为此,本文以MECT模型来替换Lattice LSTM模型,通过结合多种特征来提升命名实体识别精度。本文采用的是中药说明书数据集,经实验对比发现,该算法能进一步提升中医药命名实体识别精度。（2）提出一种基于改进Transformer的SFM中医药命名实体识别框架。SFM即SeqGAN*-FastBERT-MECT,将改进后的SeqGAN得到的生成数据与原有的真实数据一同通过FastBERT预训练模型来提取相应的特征向量,再由MECT模型对序列化数据的词汇信息特征及汉字特征进行获取,最后通过CRF来完成序列解码标注,识别相应的实体。而SeqGAN*、FastBERT及MECT都含有Transformer模型,为进一步优化SFM中医药命名实体识别框架,本文在Transformer中引入残差式注意力机制,以提升模型整体性能。实验结果表明,该方法对中医药命名实体识别精度的提高具有一定的作用。