La clasificación de intenciones y el reconocimiento de entidades nombradas de preguntas médicas son dos subtareas clave del módulo de comprensión del lenguaje natural en el sistema de respuesta a preguntas. La mayoría de los métodos existentes suelen tratar la clasificación de intenciones de consultas médicas y el reconocimiento de entidades nombradas como dos tareas separadas, ignorando la estrecha relación entre ambas. Con el fin de optimizar el efecto de la clasificación de intenciones de consultas médicas y las tareas de reconocimiento de entidades nombradas, se propone un modelo de aprendizaje multitarea basado en ALBERT-BILSTM para la clasificación de intenciones y el reconocimiento de entidades nombradas de preguntas médicas en línea en chino. El modelo de aprendizaje multitarea en este artículo utiliza el intercambio de parámetros del codificador, lo que permite que la red subyacente del modelo tenga en cuenta tanto las características del reconocimiento de entidades nombradas como las de la clasificación de intenciones. El modelo aprende la información compartida entre las dos tareas mientras mantiene sus características únicas durante la fase de decodificación. Se utiliza el modelo de lenguaje de preentrenamiento ALBERT para obtener vectores de palabras que contienen información semántica y se utiliza la red LSTM bidireccional para el entrenamiento. Se realizó un experimento comparativo de diferentes modelos en un conjunto de datos de preguntas médicas en chino. Los resultados experimentales muestran que el método de aprendizaje multitarea propuesto supera al método de referencia en términos de precisión, recuperación y valor F1. En comparación con el modelo de tarea única, se ha mejorado la capacidad de generalización del modelo.