命名实体识别任务是生物医学文本挖掘中基础且重要的任务之一,其对于实体识别的准确率会影响后续利用相关医学领域信息的效率,如关系抽取和事件抽取等相关任务的效率会受到影响。在现在的命名实体识别任务中,大多数使用的方法是神经网络与条件随机场结合的方法,神经网络比传统机器学习方法的好处在于不需要大量人工参与避免了特征构造的资源浪费。但是,目前大多数模型存在几个问题:一、时序特征获取不充分,深层隐含信息获取不全面。忽略了文本的局部特征,生物医学文献普遍句式较长,存在大量冗余虚词,重要的词汇混在大量虚词中,使得识别变得更加困难。二、空间局部特征使用不完全,以卷积神经网络(CNN)为代表的空间局部特征提取模型为例,模型速度快,但信息获取不全,容易丢失重要信息,识别效果不佳。故本文从改进模型结构入手,我们提出了一个基于双向长短期记忆神经网络(BiLSTM)和卷积神经网络的集成模型,并使用了注意力机制(Attention)和扩张卷积核对这两个模型分别进行了改进,以增加关键信息的权重并获得更广泛的信息。集成模型BiLSTM-ATT-HDC中的两个模型,一个是BiLSTM-ATT-CRF模型,是基于BiLSTM、Attention与条件随机场(CRF)结合的方法来识别实体,可以避免传统机器学习无法获取深层隐含信息的缺点,而且增强了深度学习方法对于重要词汇突出权重的能力。另一个是混合空洞卷积神经网络(HDCNN)与CRF结合的命名实体识别方法,增强了深度学习方法提取空间局部特征的能力。在NCBI-disease数据集中,BiLSTM-ATT-CRF 模型的 F1 值为 83.61%,比基模型 BiLSTM-CRF 提高了 1.08%。集成模型BiLSTM-ATT-HDC的F1值为84.04%,比基模型提高了 1.5 1%。综上,本文融合了两种深度学习方法提升命名实体识别的精度。在没有其他人工特征的前提下,本文在NCBI-disease数据集中取得了较高的F1值。