随着我国经济的飞速发展以及人民日益增长的美好生活需要,人们对于医疗健康也更加重视,希望享受到更加智能以及可靠的医疗服务,进而能够对自身健康状况有更加全面的了解。然而医疗领域发展不平衡不充分的问题仍然存在,医疗领域的信息化建设仍处于发展阶段。对电子病历文本使用命名实体识别等自然语言处理技术进行智能分析和挖掘,可以帮助建立健全智能化的电子病历系统,协助医务人员进行诊断决策,促进医疗领域的信息化建设。在命名实体识别研究的主要方法上,最早的方法是使用隐马尔科夫模型来进行英文命名实体识别,随后出现了基于规则、传统机器学习方法的模型。在命名实体识别领域,神经网络模型已被证实可以提高命名实体识别的准确性、减轻模型构建的成本,对模型性能具有显著提升。因此,神经网络模型在电子病历命名实体识别中具有广阔的应用前景,探讨其在电子病历命名实体识别模型中的表现是非常有必要的。电子病历中的命名实体通常是医疗领域的专业术语,这些专业术语大部分都是语料库中的低频词。同时,电子病历包含患者隐私信息,难以公开电子病历数据,缺乏电子病历标注语料库。相对于英文电子病历,中文电子病历命名实体识别研究面临着更多挑战,比如中文词的边界界定、词义的消歧和句法的模糊性问题等。针对上述问题,本文对中文电子病历命名实体识别进行了研究。提出了汉字细粒度语义表示学习算法,通过学习汉字偏旁和部首组件的语义信息来提高模型的命名实体识别性能。提出了弱领域迁移算法,成功实现了跨领域的特征和参数迁移,缓解了中文电子病历语料库缺乏的问题。并对本文中所提出的模型进行了实验验证,对中文电子病历名命名实体识别进行了研究。本文的主要研究工作内容如下:1.基于注意力机制(Attentionmechanism)构建了中文电子病历命名实体识别模型。将命名实体识别任务看作字符级别的序列标注,以解决中文词语之间无边界以及分词可能存在错误的问题。通过引入注意力机制建立句子中任意两个词之间的依赖关系。提出了一种汉字细粒度语义表示学习算法。通过学习字符特征语义、部首特征语义以及词性特征语义来增强电子病历中文本序列的语义表示。2.针对电子病历通常缺乏标注语料的问题,在中文电子病历命名实体识别中结合领域外数据,引入迁移学习框架,并提出了弱领域迁移算法。该算法能够减少领域之间的特征分布差异,实现源领域与目标领域之间的特征和参数迁移,缓解目标领域缺乏标注语料的问题。3.利用本文中提出的模型,使用真实电子病历数据进行了实验。实验结果表明,本文提出的模型能够达到较高的F1值,在中文电子病历命名实体识别任务中有较大优势。