生物医学命名实体识别,是生物医学信息挖掘的首要步骤。深度神经网络已经成功地应用于生物医学命名实体识别,但是深度神经网络模型的训练,需要大规模高质量的标注语料。人工标注语料的规模较小,难以训练获得高性能的深度神经网络模型。因此,自动构建大规模高质量的弱监督语料,成为提高生物医学命名实体识别性能的有效途径。（1）双角度弱监督语料的构建提出利用生物医学领域的大规模无标注文献和知识库,自动构建弱监督语料。首先,利用PubTator和知识库,分别从召回率的角度和精确率的角度考虑,自动构建弱监督语料。然后,为了全面地识别命名实体,基于召回率角度的弱监督语料,训练获得命名实体识别模型。最后,为了提高命名实体识别的精确率,基于精确率角度的弱监督语料,利用课程学习和遮掩操作,对命名实体识别模型进行进一步地精炼。在CDR和NCBI disease数据集上,该方法取得了比其他弱监督方法更优的性能,证明了本文自动构建弱监督语料方法的有效性,及双角度弱监督语料的互补关系。（2）基于标签迭代纠错的生物医学命名实体识别提出利用人工标注语料,对弱监督语料进行标签迭代纠错。首先,基于弱监督语料和人工标注语料训练获得标签纠错模型。然后,利用标签纠错模型,对弱监督语料进行标签纠错,获得标签纠错后的弱监督语料。由于弱监督语料和人工标注语料的质量差距较大,需要对纠错后的弱监督语料进行迭代纠错,获得高质量的弱监督语料。最后,分别基于双角度的高质量弱监督语料,训练获得两个命名实体识别模型,并利用知识蒸馏的方法,融合两个命名实体识别模型。在CDR、NCBI disease和CHEMDNER数据集上,该方法取得了最先进的性能,证明了标签迭代纠错能够不断地提升弱监督语料的质量,知识蒸馏有效地融合了双角度的命名实体识别模型。（3）基于伪平行语料纠错的生物医学命名实体识别提出利用人工标注语料和弱监督语料,构建伪平行语料,对弱监督语料进行一次性大量噪音纠错。首先,基于弱监督语料,利用课程学习,训练获得知识获取模型,用于识别人工标注语料训练集中的命名实体,获得训练集的弱标签。训练集的人工标签与弱标签平行,构成伪平行语料。然后,基于伪平行语料,训练获得噪音纠错模型,对大规模弱监督语料纠错,获得高质量的弱监督语料。最后,分别采用标签遮掩和Partial-CRF,融合双角度的高质量弱监督语料,训练获得命名实体识别模型。在CDR、NCBI disease和CHEMDNER数据集上的实验结果表明,该方法比基于标签迭代纠错的实体识别方法更优越,证明了利用伪平行语料纠错可以高效地提升弱监督语料的质量,标签遮掩和Partial-CRF能够有效地融合双角度的弱监督语料。