背景在电子健康记录（Electronic Health Records, EHR）的临床文本中识别关键变量（如疾病术语）在临床实践和生物医学研究中具有广泛的应用价值。以往研究表明，相较于生物医学文献，疾病命名实体识别（Disorder Named Entity Recognition, NER）及实体归一化（或称实体定位，Grounding）在临床文本中的性能显著降低。本文旨在探究这一性能差异的根本原因，并提出具有普适性的解决方案。方法我们利用闭包性质（closure properties）比较临床文本与生物医学文献在词汇丰富度方面的差异。针对疾病NER与归一化任务，均采用机器学习方法进行建模。我们的NER方法基于线性链条件随机场（Linear-chain Conditional Random Fields, CRF），并引入丰富的特征表示以增强系统的词汇知识。此外，我们提出一种此前未应用于临床数据的归一化方法，采用成对学习排序（Pairwise Learning to Rank）技术，直接从训练数据中自动学习术语变体模式。结果研究发现，尽管临床文本与生物医学文献的整体词汇量相近，但临床文本在描述疾病时使用了更为丰富的术语体系，表现出更高的术语变异性。我们将所提出的系统DNorm-C应用于近期ShARe/CLEF eHealth任务中的临床文本，用于定位疾病提及。在NER任务（严格按跨度匹配）中，系统达到精确率（precision）= 0.797，召回率（recall）= 0.713，F1值 = 0.753；在归一化任务（严格按跨度+概念匹配）中，精确率 = 0.712，召回率 = 0.637，F1值 = 0.672。本文所提出的改进措施使NER的F1值提升0.039，归一化F1值提升0.036。此外，我们还设计了一种高召回率版本的NER模块，可将归一化召回率提升至最高0.744，但相应地略微降低了精确率。讨论我们进行了误差分析，结果表明NER错误数量远超归一化错误，比例超过4:1。常见错误原因包括缩写与首字母缩略词的误识别，以及标注者在受控词汇表范围内未能识别的术语表达。结论临床文本中疾病提及使用的术语体系高度丰富，导致术语变体显著增加，我们认为这是造成临床文本中NER与归一化性能下降的主要原因之一。本研究证明，成对学习排序在该场景下具有优异表现，并提出若干可推广至其他临床NER任务的词汇增强策略，有效提升了系统对术语变体的处理能力。DNorm-C是一个高性能、开源的临床文本疾病识别系统，标志着迈向可训练于多种领域与实体类型的NER与归一化方法的重要一步。（DNorm-C为开源软件，已提供训练好的模型，可通过DNorm演示网站访问：http://www.ncbi.nlm.nih.gov/CBBresearch/Lu/Demo/tmTools/#DNorm。）