命名实体识别作为自然语言处理领域的一项核心基础任务,是分析和管理海量文本信息的关键技术手段,在大数据时代具有重要的应用和经济意义。尤其是生物医学领域中,随着互联网的高速发展,大量相关的医疗文本数据以非结构化或者半结构化的形式存储于网络之上,并且这些数字化的信息中蕴含着巨大的社会价值。因此如何充分地从中挖掘出潜在的有价值信息,有效缓解信息严重过剩所带来的挑战,已经成为了信息科学领域的一个热门研究方向。本文主要研究基于深度学习理论从生物医学文本中识别实体信息,主要包括以下四部分内容:（1）对实体识别问题进行了建模和处理流程分析,同时结合生物医学文本的表达特点,提出了一种基于长短期记忆网络的多特征融合模型。在提出的模型结构中,输入特征主要包括三种:词表示、字符表示和词性表示,其中词表示由含有局部信息和全局信息的词向量组成,字符表示分别由卷积神经网络和长短期记忆网络编码组合得到。经过在JNLPBA和NCBI-disease数据集上进行实验,结果表明这种多特征融合的模型相比于同类方法效果更好,在两个语料上的F1分数分别为75.42%和86.96%,同时消融实验也证明了字符特征和词性特征对于性能的提升起到了关键作用,其中字符特征的加入对性能的影响最大。（2）将预训练模型应用到生物医学文本的实体识别任务当中,提出了一种基于预训练的多任务联合训练模型。与常规模型通常都是以单任务为训练目标不同,本文所提出的方法采用多任务联合学习的方式来构建模型,并且还创新性的提出了一种不同网络层之间动态加权的模型结构,而不是直接将模型最后一层得到的向量表征作为输出。测试结果表明,采用多任务训练的方式以及动态加权的结构在一定程度上对性能都有促进作用,在同样数据集上获得了76.57%和88.24%的F1分数,说明了这种基于预训练的方法在自然语言处理任务上有着很大的应用潜力。与此同时,通过对任务中出现的数据不平衡现象进行分析,采用标签平滑的方法对其进行优化,使得模型的性能指标在JNLPBA数据集上进一步提升了0.14%,达到76.71%。（3）分别从性能和时间角度对提出的两种模型进行了对比和分析,结果表明多任务模型在性能方面要优于多特征模型,其在两个数据集上的F1指标分别提高了1.15%和1.28%。而在时间方面,通过设计实验获得两者在相同数据集上的训练和推理耗时分布情况,发现多特征模型无论是训练时间还是推理时间都要远低于多任务模型,其在一个迭代轮数上的训练平均耗时为0.807分钟,相比于多任务模型的4.268分钟大幅减少。在推理耗时的实验中也呈现出一致的结论:平均预测一条样本的时间多任务模型是多特征模型的两倍,分别为45毫秒和22毫秒。由此可见,虽然基于预训练方式的模型在性能表现上要更优秀,但是其劣势在于时间成本较高,而多特征模型的优势则主要体现在训练和推理时速度快,耗时低。（4）鉴于目前在生物医学领域还缺乏简单高效的实体识别工具,还开发了一款轻量级的实体识别在线工具,可以快速的从给定文本中识别出其中所包含的疾病名称信息。整个系统基于Flask框架搭建,在实现功能的同时兼顾了操作上的简洁性和可维护性,可以作为相关研究人员的辅助工具从而提高工作效率。