电子病历中的表型描述大多为非结构化的自由文本,无法直接用于临床研究。电子病历的深度表型表征算法可以高保真地结构化电子病历中的表型信息,日益成为医学信息学界的研究焦点。我国拥有丰富的电子病历资源,然而由于中文医学本体不完善以及细粒度标注数据的缺失,发展中文电子病历深度表型表征算法面临着巨大挑战。在这种低资源条件下,探索如何利用有限的细粒度标注数据集开发出具有泛化能力的中文电子病历深度表型表征算法,具有重要意义。本研究想要发展出一种基于有限标注语料学习表型描述的语言模式,并基于所学习的语言模式对中文电子病历进行深度表型表征的算法。在该研究中,首先,基于一种用于深度表型表征中文电子病历的语义信息模型-PhenoSSU模型,对1000份中文电子病历进行了人工标注,并将之按照7:3的比例分为训练集和测试集。随后,将训练集中的自由文本编码为单字母序列（如表型编码为P、属性编码为A）,然后使用生物序列模式分析挖掘工具MEME模体挖掘工具分析该单字母序列中表型（P）-属性（A）的组合表达模体,并进一步基于这些模体抽象出PhenoSSU在文本中以正则表达式表征的语言表达模式。基于PhenoSSU的语言模式,本研究中发展了一种中文电子病历的深度表型表征算法,包括基于深度学习模型的实体识别算法与基于模式识别的属性预测算法。之后,将本研究中开发的算法应用于两个真实世界的案例研究:基于慢性支气管炎电子病历的深度表型表征更新其诊疗指南;基于体检电子病历的深度表型表征构建甲状腺疾病预测模型。通过将训练集中的电子病历表征为单字母序列,本研究使用MEME模体挖掘工具共计得到51个具有统计学意义的序列模体。这些模体可简并为6个正则表达式,即PhenoSSU模型在中文电子病历中的语言模式。同时本研究发现最少基于134（+/-9.7）份人工标注的电子病历即可学习到这6个正则表达式。通过在测试集上的算法评估,本研究中开发的算法在PhenoSSU层次上可取得F*WA=0.844的算法表现。其中,对于实体识别任务,本研究采用了 BERT-BiLSTM-CRF深度学习模型,可取得F1-score 0.898的算法表现;对于表型关联的属性预测任务,本研究使用了基于语言模式识别的方法,可取得加权准确率0.940的算法表现,相较之下,基于传统机器学习策略的SVM算法的加权准确率为0.709。本研究通过两个案例研究证明了算法潜在的应用前景:通过慢性支气管炎的病历与指南在PhenoSSU层面的对比,证明了基于电子病历更新指南的可能;基于体检电子病历的深度表型表征,本研究中构建了一种可以预测体检人群促甲状腺激素异常的机器学习模型。在缺少细粒度标注语料的低资源场景下,本研究发展了一种简单高效的中文电子病历深度表型表征算法。本工作将有助于提升中文电子病历资源的转化利用,同时给世界上其它非英语国家发展电子病历深度表型表征算法提供启发。