随着人工智能技术的发展,医疗健康领域受到人们日益重视。其中,医疗数字化成为传统医疗健康领域引进新兴人工智能技术的关键步骤。在电子病历技术应用之前,患者的健康信息在医院以纸质病历的形式存储,难于管理、使用及存储,病历中丰富的医学知识也难以被有效地检索、利用。而电子病历详细地记录了患者的就诊信息与健康数据,是丰富的医学信息资源。因此,利用信息抽取相关的技术有效地挖掘分析利用电子病历中的医学知识,对推动社会医疗健康事业的发展有着重要的意义。本课题主要面向电子病历中半结构化的临床文本数据医学知识抽取及应用研究。命名实体识别是知识抽取的首要且关键的一步。本课题通过构造字符级别、词级别、词边界级别的文本特征作为输入,采用在实体识别任务表现较好的双向长短期记忆-条件随机场模型,医学实体识别的微平均F1值达到了91.6%的成绩。医学实体之间复杂的实体关系是医学知识的另一种体现,实体关系判断的正确率直接决定了医学知识的可靠性。在关系抽取方面,针对医学文本灵活复杂的特点,本课题提出基于自注意力机制的卷积神经网络分类模型,融合多种实体特征,在医学关系分类任务上取得了较好的效果,F1值达到83.4%。最后,本课题利用症状实体与疾病实体之间的共现关系作为先验医学知识进行挖掘,构建了疾病-症状共现知识网络,并在此网络上引入注意力机制学习疾病对症状的表示,设计了基于前馈神经网络的呼吸内科疾病诊断模型,在疾病的诊断任务上TOP1准确率达到了57.1%,TOP3准确率达到了91.2%。最后分析了本实验的不足之处,为今后的研究工作指明了新的方向。