近年来,深度学习和自然语言处理技术在飞速发展,医疗领域与计算机领域的联系越来越密切,计算机不单用于电子计算通信,还用来进行辅助性的临床研究,运用其强大的计算能力和处理能力帮助产生医疗决策。本文所解决的临床试验队列选择任务即是自然语言处理在临床研究领域的应用。伴随着计算机决策在医学研究方面的准确性不断提高,自然语言处理技术在医疗领域的应用受到更多研究人员的关注。本文引入了一个临床实验队列选择的任务和相关数据集,这个任务旨在回答这样一个问题:NLP模型能否使用叙述性医疗记录来确定哪些患者符合临床试验的选择标准?本文并没有使用传统的语法、语义分析和构建规则的方式,而是采用了深度学习的方法,分别基于词向量和句向量来构建NLP分类模型。在基于词向量的方法中,本文使用经过预训练的词向量模型和通过词向量扩充方法得到的词向量模型,为临床记录文本构造词向量,用词向量来表征出文本的语义信息,然后使用CNN模型、BiLSTM模型、注意力机制、RNNCNN模型等深度学习模型构造了一系列的临床试验标准分类模型,并在此基础上设计出基于词向量的双通道分类模型;在基于句向量的方法中,本文使用经过预训练InferSent模型将文本句子编码为句向量,然后改进本文提出的模型得到基于句向量的双通道分类模型,最后通过不同的对比实验来验证本文模型的分类性能。基于词向量的双通道模型在测试集上实现了0.7810的micro-F1,在使用了词向量扩充方法之后将micro-F1值提升到了0.7905;基于句向量的双通道模型在测试集上实现了0.7961的micro-F1,达到了模型最好效果,证明了本文设计的改进模型在临床试验标准分类任务上的有效性。