随着数字化医院的建设，包含着越来越多的与患者健康状况相关的医疗知识的电子病历成为了“医疗大数据”的主要来源，通过自然语言处理技术提取和挖掘电子病历中的命名实体及有效信息，能够为医疗产业发展人工智能奠定坚实的基础。而中文电子病历领域仍然缺乏大规模的标注数据及标准的语料库，且标注语料需要专业的医护人员进行，既耗费人力，成本也相对较高，所以本文基于小规模的肺部电子病历的标注语料，引入多特征融合的条件随机场模型及双向长短时神经网络进行中文电子病历的命名实体识别研究。
　　基于统计机器学习的命名实体识别模型中条件随机场一直受到学者青睐，它将命名实体识别任务转化为一个序列标注的问题，且被证明在多个实体识别领域识别效果不错。但是在实体识别的过程中，特征能够对识别效果产生很大的影响，在命名实体识别任务中可能包括字典特征，字词特征，上下文特征，内部组成特征等，基于文本特点构建特征模板能够提升模型的性能，所以本文根据中文肺部电子病历的内部实体构词特点和外部可用资源提出了一套合适的特征模板，再融合条件随机场模型，使命名实体识别达到了不错的效果。同时，本文通过构建条件随机场和双向长短时神经网络融合模型，并尝试在神经网络中加入外部知识，扩展神经网络命名实体识别的特征，将其与多特征融合的条件随机场模型进行对比，探究基于多特征融合的统计机器学习方法和模型自动进行识别的神经网络学习方法在电子病历实体识别效果上的差异，寻找更优的实体识别模型。
　　本文通过对肺部电子病历的特征挖掘，构建了肺部CT医疗文本的特征模板，并通过实验验证了特征对于CRF模型识别性能的有效性，选择出了最佳的特征组合。同时构建了基于字词联合输入的BiLSTM-CRF模型，使得F1值达到了89%以上，最后将以上两种模型进行实验对比，分析讨论了模型选择的问题。