循证医学是一种遵循证据的医学实践方式,要求医学从业者慎重、准确且明智地应用当前最好的研究证据来制定患者的治疗方案。在循证医学中,常使用PICO框架描述临床问题。PICO框架将临床问题分解为四个元素:参与者/问题（Population/Problem,P）、干预（Intervention,I）、比较（Construction,C）和结果（Outcome,O）。医学从业者为临床问题筛选研究证据时,希望根据特定的PICO元素检索医学文献摘要,但目前大多数医学文献摘要没有指明PICO元素,导致现有的检索工具无法支持PICO元素的结构化检索。因此,自动识别医学文献摘要中的PICO元素,已成为医学信息学的一个重要任务。近年来,深度学习成为PICO元素识别的主流方法,这类方法能够自动捕捉深层次语义信息,极大提升了PICO元素识别效果,但它们需要大量标注数据。然而,在PICO元素识别任务中人工标注数据有限。虽然有研究者发现部分英文献摘要中的一些元素标签与PICO之间存在一定的对应关系,可以利用这种对应关系使用远监督方法获取英文的标注数据,但在某些语言中,例如中文,大多数医学摘要没有与PICO元素对应的结构化元素标签,无法利用远监督方法获取标注数据。针对标注数据匮乏情况下基于深度学习的PICO元素识别方法性能下降的问题,本文利用观察到的先验知识,提升了在标注数据匮乏情况下的PICO元素识别效果。本文从以下两个方面展开工作。（1）在医学文献摘要中描述同种元素的句子通常连续出现,即存在元素连续性。因此,本文提出了一种引入元素连续性约束的PICO识别方法,来指导深度学习模型捕捉元素连续性信息。为了验证该方法在标注数据匮乏情况下的有效性,本文在人工标注的小数据集NICTA-PIBOSO上进行了实验,同时,在远监督标注的Pub Med-PICO数据集上采样了不同规模的训练集进行了实验。实验结果表明,引入元素连续性约束的PICO识别方法在标注数据匮乏情况下优于现有最新方法。（2）医学文献摘要往往遵循一定的逻辑结构,不同元素的句子在摘要中的位置分布具有规律性。为此,本文提出一种考虑元素位置信息的PICO识别方法,使用location-aware CRF进行序列标注,为不同元素位置区间学习不同的状态转移矩阵。为了验证该方法在标注数据匮乏情况下的PICO元素识别效果,本文在人工标注的小数据集NICTA-PIBOSO上进行了实验,同时,在远监督标注的Pub Med-PICO数据集上采样了不同规模的训练集进行了实验。实验结果表明,考虑元素位置信息的PICO识别方法在标注数据匮乏情况下的识别效果有所提升。