当前我国新冠肺炎疫情呈多点散发,为快速实现流行病学调查工作中整理流调报告中的关键数据,帮助尽早发现已有病例、密切接触者和次密切接触者,切断传播链,本文研究利用人工智能领域自然语言处理的命名实体识别（Named Etity Recognition,NER）技术自动分析流调数据找出关键关联信息,为后期流调人员快速开展工作提供技术支撑。为此本文以公布的新冠肺炎确诊病例轨迹信息作为主要的数据来源,从构建新冠肺炎确诊病例轨迹信息实体识别（Track information Entity Recognition of COVID-19 confirmed cases,TiERoCOVID-19）语料入手,一方面采用人工标注的方式标注小规模数据集,另一方面通过预训练语言模型的迁移学习来解决数据集小的问题,通过上述主要的两方面工作将命名实体识别技术应用在TiERoCOVID-19任务上。本文完成了从标注语料到实体识别及应用系统搭建的完整过程,主要研究内容如下:1、对公开的新冠肺炎确诊病例轨迹信息进行收集工作,并借鉴其他领域的语料标注流程,进行人工标注,构建了基于新冠肺炎确诊病例轨迹信息的命名实体识别数据集。2、构建了基于统计机器学习方法的实体识别模型。本文构建了基于经典的统计机器学习模型HMM（Hidden Markov Models）和CFR（Conditional Random Fields）模型并运用在TiERoCOVID-19任务上,实验发现CRF模型在标签的结构化预测上具有更好的效果。3、将CRF模型的结构化预测能力和深度学习的表示学习能力相结合,构建了BiLSTM-CRF模型。构建的BiLSTM-CRF模型在TiERoCOVID-19数据集上可以达到91.39%的准确率、90.03%的召回率和90.87%的F1值。4、为解决TiERoCOVID-19任务数据集小的问题,通过利用预训练语言模型的迁移学习能力,构建了基于预训练语言模型BERT（Bidirectional Encoder Representations from Transformers）的实体识别模型,并应用于TiERoCOVID-19任务。本文将BERT模型与BiLSTM-CRF模型相结合,构建的BERT-BiLSTM-CRF模型在TiERoCOVID-19数据集上可以达到的准确率、召回率和F1值分别为93.29%、93.18%、93.22%,与BiLSTM-CRF模型结果相比有了很大的提升。同时,受注意力机制的启发,本文继续在BERT-BiLSTM-CRF模型的基础上引入多头注意力机制,实体识别的效果得到了进一步的提升,准确率、召回率和F1值分别达到了96.88%、97.55%、97.21%。另外,尝试改变引入的多头注意机制中注意头的数量,发现当注意头的数量设置为8时可以达到最佳的实验结果。5、搭建了基于预训练语言模型的实体识别系统。该系统能够从非结构化的新冠肺炎确诊病例轨迹信息中自动识别出关键实体。