【摘要】[目的/意义]医学实体识别是医疗健康知识挖掘和知识组织的关键环节。深入挖掘多模态数据间语义关联可以提升医学实体识别效果，进而为领域知识补全和知识推理提供支撑。[方法/过程]提出一种基于双线性注意力融合机制的多模态中文医学实体识别模型BAF-MNER。首先通过视觉和文本编码器进行多模态医学数据的语义特征学习；接着利用双线性注意力网络实现图像和文本跨模态语义交互，并引入门控机制过滤视觉噪声；然后融合基于注意力机制的视觉特征和文本特征进而构建多模态特征表示，同时增加批量归一化层优化深度神经网络；最后将多模态特征向量输入CRF层解码获取预测标签。[结果/结论]本模型能够有效提升中文医学实体识别效果，在多模态医学数据集上的F1值较单模态基线模型提升4.07%，较多模态基线模型提升1.65%；在多模态公开数据集上的实验表明模型具有良好的泛化能力。