我国是一个人口大国,同时也是心脏病发病率高且患者基数较大的国家之一,每年都会有大量的心脏病患者入院接受临床治疗,因此也会产生大量记录患者的医疗过程、包含丰富医疗信息的临床医疗文本,如果我们能利用相关的技术对医疗文本中的信息进行抽取和挖掘,将会大大提高医疗人员的工作效率,也会在一定程度上有助于患者的诊断和治疗。因此,本文的主要研究内容就是对心脏病临床文本中的和医疗相关的命名实体进行识别和抽取。本文所使用的医疗文本数据来自3000个真实的临床心脏病电子病历。通过对原始的电子病历进行分析和研究,并根据其组织结构和文本内容的特点,从中抽取出记录关键医疗信息的文本数据作为本研究的语料,之后构建权威的医疗术语词典,并利用分词工具实现了对医疗文本的分词和词性标注等预处理工作,并在此基础上对文本进行实体标记,最终构建用于医疗实体识别任务的数据集。在实体识别的算法上,本文提出了将组成汉字的偏旁部首作为特征应用在医疗实体识别的任务中,通过构建中文拆字字典并利用部首特征的抽取和表示算法,实现了对偏旁部首特征的抽取和向量化表示,进而利用特征融合技术将字、词、部首三个级别的特征进行融合和联合向量表示。在此基础上,对广泛应用于实体识别任务的Bi-LSTM-CRF模型和ID-CNN-CRF模型进行了改进,将融合后的特征向量作为模型的输入进行学习和训练,并将两种神经网络进行组合,组成Bi-LSTM-ID-CNN-CRF模型对特征进行学习,最终得到用于临床心脏病医疗文本实体识别的模型。最后,通过在构建好的数据集上对各个模型进行实验验证和分析,结果显示将部首特征应用到实体识别任务中能在一定程度上提高模型的性能,并且将多个特征进行融合之后共同训练也表现出了不错的效果。之后为了验证本研究中模型的适用性,还在公共的电子病历数据集上进行实验比较和分析,结果表明模型的性能在公共数据集上相比于基准的模型也有所提高。