为了快速记录海量病人的诊断信息,医生往往在病历中记录疾病简写或俗语等不规范的术语,再由专业人员对这些术语进行标准化,以便后续利用这些信息开展跨院交流、界定医疗保险等。因此,自动对病例中疾病的医学术语进行标准化成为了医疗领域的迫切需求。本文将中文ICD-9医学术语标准化问题分成两类情况处理,分别是一对一数据的标准化问题和多对多数据的标准化问题,主要工作如下:（1）针对一对一数据的标准化问题,本文首先提出了一个基础模型BTSBM:1)基于N-gram算法取相似度最高的前N个（即Top-N）ICD-9术语构建候选术语集;2)采用BERT的0-1分类对候选术语打分,以候选术语被预测为标签1的概率中最高的一个作为标准术语输出。BTSBM模型解决了直接使用海量ICD-9术语与原始术语一一匹配而带来的高代价,也避免了ICD-9术语集中存在的大量与原始术语无关的干扰项对预测造成的干扰。但在这一方法中,候选术语集的规模与准确率对模型性能有着不可忽视的影响,同时由于候选术语集中至多只有一个是正确标准术语,导致了正负样本比例失衡。因此,本文随后提出了一个改进模型ABTSBM:1)对上述候选术语集进行基于BERT的重排序,在维持候选术语集规模不变的条件下提升其准确率;2)基于身体部位抽取对数据集降噪,减少干扰项并减小正负样本比例差;3)针对正负样本不平衡的数据集,使用基于Focal Loss函数的BERT进行术语标准化预测。（2）针对多对多数据的标准化问题,在使用ABTSBM模型取Top-N组成标准术语组合时,由于原始术语组合中各原始术语占比不一,将导致模型输出的结果中有多个标准术语均由同一原始术语而来,预测出现偏差。因此,本文提出了基于原始术语组合拆分的方法,通过将原始术语组合拆分成单个原始术语并通过命名实体识别和词性标注为原始术语补充缺失信息,以解决多对多的标准化问题。实验结果表明,针对一对一数据的标准化问题,在使用Top-40规模的候选术语集的条件下,ABTSBM方法达到了最优并比基于Top-100规模的候选术语集的BTSBM提高了1.6%的准确率;针对多对多数据的标准化问题,为了更好的评估多对多问题上的方法效果,本文基于CHIP公开数据集和某真实世界电子病历,构建了CHIP-MTM和SCD两个多对多数据集,本文算法在CHIP-MTM和SCD上均取得了7.7%的准确率提升。