中文医疗文本命名实体识别的研究对医疗信息抽取具有重要意义。然而,医疗领域的标注数据获取较难,致使中文医疗文本命名实体识别的发展一直受限于低资源问题。低资源意味着标注数据缺乏,会严重影响模型的性能和泛化性。为应对低资源情景下的标注数据缺乏难题,本文提出了两种中文医疗命名实体识别方法。主要工作如下:（1）提出了一种基于词典增强的自训练远程监督中文医疗命名实体识别方法（LSCNER）。首先,提出了一种基于自训练的实体高召回方法,该方法有效召回潜在的未标注实体;其次,提出了一种基于细粒度词典增强的打分和排序方法,该方法建模了医疗实体内部独有的结构,能将召回实体进行筛选,有效减少实体高召回方法得到的错误实体。此外,本文构建了一份中文医疗命名实体识别数据集CDD。实验结果显示,在本文构建的数据集CDD和公开数据集CCKS 2019上,相比基线模型,本文的方法将F1值分别提高了3.20%和5.03%。（2）提出了一种基于文本和标签增强的中文医疗命名实体识别方法（TLCNER）。该方法利用预训练语言模型和半监督学习的方法,从文本和标签两个维度进行优化。首先,提出了一种基于预训练语言模型的文本增强中文医疗命名实体识别方法,本文从网络上搜索了20万条医学文本,对公开的预训练模型继续预训练,做医学领域自适应;随后,使用两个公开数据集的文本进行数据增强,并继续预训练,做任务自适应。其次,提出了一种基于半监督的标签增强中文医疗实体识别方法,利用半监督学习方法对未标注数据进行处理,获得伪标签数据,将伪标签数据添加到原始训练数据中,提升了数据标签的多样性。最终,在两个低资源公开数据集上,相比BERT-base模型,本文的方法将F1值分别提升了2.68%和3.66%。