从非结构化生物医疗文本中识别命名实体是信息提取的重要过程,作为自然语言处理研究领域的热门课题,命名实体识别得到了广泛的关注。已有研究表明,长短期记忆网络在通用领域中已显示出强大的命名实体识别能力。但是,在生物医疗语料中,实体的复杂组成和长句中大量不相关单词的干扰使长短期记忆网络的性能降低。许多生物医疗实体的名称通常很长,使得边界识别更加困难。本文发现,在生物医疗命名实体识别中加强单词特征之间的局部联系可以提高性能。为了达到在生物医疗命名实体识别中加强局部特征抽取的目的,本文从三个角度出发提出不同的解决方案,其中包括:(1)为了生成单词局部上下文表示,本文利用不同宽度的卷积核加强局部特征提取,同时结合了双向长短期记忆网络提取单词全局信息特征的优势,提出了两种不同组合的新型神经网络结构,分别是卷积神经网络与长短期记忆网络的串行结合和并行结合。实验结果表明,与基线和其他最新方法相比,本文提出的两种神经网络结构在生物医疗语料数据集上均取得了显著改善。(2)为了充分利用句法和语义信息,例如句法依赖树和谓语动词-论元结构,并同时保留局部结构信息特性,本文提出基于图卷积网络增强句法和语义信息的生物医疗命名实体识别。利用有向图分别表示句法和语义两种类型信息,并使用图卷积网络生成单词对其句法邻域敏感和相对于谓语动词的语义含义的特征表示。实验结果表明充分利用依赖树和谓语动词-论元结构信息对生物医疗命名实体识别的准确性有提升作用。(3)为了优化网络结构,并对局部关键特征分配较多的注意力,本文提出混合注意力机制,以动态地利用全局和局部信息。通过自注意力机制对单词进行全局性建模,同时利用可学习的高斯先验分布对单词局部性建模,自适应确定局部窗口的中心位置和宽度。然后引入融合门将注意力块的输出和单词在序列中的顺序信息结合起来,以形成修订的单词输出向量。实验结果表明,上下文信息和局部信息是互补的,引入局部注意力机制可以改进实体识别的效果。