随着计算机应用于医疗事业的发展,电子病历逐渐成为我国医生记录患者入院、病史、治疗、出院的主要载体。电子病历的特殊作用决定了其必定包含丰富的医学实体以及复杂的实体关系。医学实体以及实体间的关系是构建医学知识的基础,因此本文提出用机器学习算法对中文电子病历进行命名实体识别以及关系抽取。针对中文电子病历实体识别问题,本文设计了一种基于卷积神经网络结合条件随机场(Convolutional Neural Network-Conditional Random Field,CNN-CRF)的实体识别算法框架。为得到高质量的词向量,本文将标注实体加入词典进行分词,并将已标注和未标注文本作为语料,用word2vec工具对已分词文本进行无监督学习。为避免扩张卷积层数增加导致过拟合,本文采用迭代扩张卷积处理输入向量,并运用dropout随机丢弃一些连接,最后,利用条件随机场对网络的分类结果进行修正。该方法在中文电子病历上进行对比试验,从病历中提取出身体部位、疾病、症状、检查及治疗五类实体。实验结果表明,该方法能有效地辨别病历中的实体,其识别的精确率、召回率和F值分别为90.01%、90.62%、90.31%,相比传统的方法在精确率和速率都有一定提高。对于关系抽取任务,本文采用标注模式联合迭代扩张卷积神经网络结合条件随机场算法(Iterated Dilated Convolutional Neural Network+Conditional Random Field,ID-CNN+CRF)完成。实验将关系抽取问题转化为序列标注任务,并对实验数据进行标注转换、归一化、分句、向量化等预处理。根据数据分布,实验仅对身体部位、症状、检查几类实体存在的关系进行抽取。实验结果表明,相对于其他对比算法,本文提出的解决策略有较好表现,在小量实验数据的情况下,其平均精确率、平均召回率和平均F值分别取得63.93%、63.13%、63.40%。这样的结果一方面是由于实验抽取关系类别较少,另一方面表明实验方案对于解决关系抽取问题是有效的。