临床电子病历中包含了丰富的医疗信息,利用命名实体识别技术处理电子病历可以获得重要的医疗信息,医疗信息可用于构建医学语料库或知识图谱,进而辅助医生进行临床决策和智能诊断。中文电子病历命名实体识别是指从电子病历临床文本中识别出医疗领域相关的实体名称。在电子病历命名实体识别的发展过程中,早期使用的是基于规则和词典、机器学习的方法,随着词的向量化表示技术和深度学习技术的发展,基于深度学习的神经网络模型被广泛应用于命名实体识别任务,神经网络模型需要使用大量的标注语料集进行训练,以此来充分学习文本的特征。现存的大规模中文电子病历标注语料集稀缺,医疗语料包含大量的专业词汇,使用通用领域命名实体识别（Named Entity Recognition,NER）模型来执行中文电子病历命名实体识别任务时,识别效果差强人意。针对上述问题,本文研究在中文电子病历标注语料匮乏的情况下,如何提升中文电子病历命名实体识别任务的效果。本文对于医疗电子病历命名实体识别的研究工作和成果如下:（1）针对医疗文本包含众多专业术语,通用领域NER模型在中文电子病历实体识别效果不佳的问题,提出了一种基于部首特征和词汇增强的NER模型。该模型利用卷积神经网络捕捉医疗文本字符的部首特征,利用平格变压器（Flat Lattice Transformer,FLAT）进行词汇增强。本文设计了一种交叉变压器（Cross-Transformer）挖掘不同特征的互补性,Cross-Transformer利用多模态协同注意机制交叉融合词汇特征和部首特征,有效地提升了NER任务的效果。（2）针对中文电子病历标注语料规模偏小且无法直接合并不同数据集,NER模型无法获得足够的语料进行训练的问题,设计了一种基于多任务学习的NER模型,该方法利用多个相似领域的标注语料并行训练,通过共享医疗文本语义特征来共同提升多个任务的效果。本文提出双向多单元GRU（Bi-directional Multi-cell GRU,Bi Mc GRU）来学习不同医疗数据集的共享特征,并设计了2个辅助任务来提高NER任务的实体识别准确率。（3）针对中文电子病历标注语料稀缺,海量的未标注医疗文本中的医疗信息未能充分利用的问题,设计了一种基于半监督学习的NER模型。该模型利用大量医疗语料训练BERT模型和双向语言模型,获得适合中文医疗文本的字符向量表示和字符的上下文语义特征,引入词汇信息来判别实体边界。此外,该模型将自举算法结合到NER任务中,通过预测医疗文本获得置信度高的新标注语料,将新标注语料合并到初始语料后对模型进行迭代训练。使得模型的实体识别性能显著提升,标注语料的规模扩大。