随着医疗领域的电子信息化建设,医学病历等文本数据的数量成指数级增长。互联网信息系统的发展使得医疗行业能够更加快速便捷地收集患者的就诊信息,但是医学电子病历数据仍存在异构、分布式、碎片化等特点。要从海量的医学数据中进行有价值的数据分析和信息挖掘,需要将医学数据结构化处理。通过自然语言处理技术的运用,对医疗领域的文本数据进行命名实体识别,将为数据的结构化表示奠定基础。高质量的命名实体数据是搭建智能医疗系统不可或缺的基础环节,然而高质量的实体数据通常由专家手工标注而来,成本高、耗时长。所以使用有效的计算机算法进行命名实体识别,提高算法识别的准确率,是医疗文本数据挖掘领域工作中的重要环节。传统的命名实体识别关注于人名、地名等常见实体类型,但医学领域更加关注症状、器官、治疗方法、药物、疾病等实体。由于医学领域数据的特殊性,医学命名实体识别很少能有模型达到令人非常满意的效果,因此医学命名实体识别仍是一项非常艰巨的任务。本文首先介绍了历年来国内外医学命名实体识别的研究现状,主要总结了基于深度学习模型命名实体识别研究的发展历程。本文基于标准深度学习模型LSTM-CRF网络,对LSTM门控机制进行改进,提出了 SE-LSTM模型,有效提升了识别准确率。此外,本文将自然语言处理领域中最新的研究进展预训练模型应用到医学命名实体识别领域中,将任务与BERT和XLNet相结合。实验证明,对LSTM的门控机制修改后的SE-LSTM模型,F1值有1-3%的提升。将BERT和XLNet加入模型结构,在数据集较大的情况下,有较为明显的提升效果。