中文生物医学文本的命名实体识别和规范化在信息抽取的下游任务和构建中文医学知识图谱等方面发挥着重要的作用。随着医学文献数量迅速累积和电子病历的广泛使用,从海量的医学数据中挖掘有用的信息并进一步分析就需要依托于实体识别和规范化技术。然而,往往中文文本的结构比英文文本结构更复杂,分词的方案较英文更为复杂,并且因词语错分而导致语义误差的传递问题难以得到解决,非医学类的信息抽取技术效果也比医学类的效果更好,这都加大了对中文生物医学文本的信息抽取难度。基于此背景,本文面向中文生物医学文本,对信息抽取中的命名实体识别和规范化技术进行了研究,为信息抽取中的下游任务提供技术支持。本文的主要工作如下:1、提出了一种面向中文生物医学文本的命名实体识别模型,BertBAC。基于字符嵌入的Bert模型获取文本的总特征向量,并在典型的神经网络结构的输出层之前增加注意力机制获取标签对句子中其他词语的长距离依赖关系。通过实验表明,BertBAC模型的识别精度优于现有使用条件随机场的基线方法,可以感知文本中多粒度的语义关系信息,实现了对五类中文医学实体的识别。2、提出了一种Siamese网络和Bert模型相结合的实体规范化方法,Siamese-Bert。该方法着重于解决规范化任务中的候选实体的生成和候选实体的排序两个问题,通过构建Siamese文本相似度计算网络生成候选实体的集合,结合Bert模型对候选实体集打分排序,输出当前实体提及对应的标准实体。最后,通过实验证明了Siamese-Bert模型对中文医学实体规范化任务上的有效性。3、结合BertBAC实体识别模型和Siamese-Bert实体规范化模型,设计并实现了基于深度学习的命名实体识别和规范化系统。分析了系统的需求和设计了系统的总体架构,详细介绍每个模块的实现方式和工作原理并对系统的主要功能进行了展示介绍,最后通过系统测试证明了系统的可行性。