随着信息技术的发展,互联网产生文本数据的速度急剧增加。这些文本数据中尽管蕴含着大量有价值的信息,却因为其通常以非结构化数据的形式存在而很难直接被利用。通过信息抽取技术可以借助计算机从大量的非结构化数据中抽取出结构化数据,是目前信号处理和自然语言处理的研究重点之一。作为信息抽取技术的基础,命名实体识别具有同样重要的研究价值与意义。命名实体识别指从非结构化数据中识别出人名、地名以及机构名等命名实体。其传统方法主要基于规则和基于统计,但是这种方式通用性差、高度依赖语言学知识而且需要耗费大量的人力来设计特征。所以,目前更常用的是基于深度学习的方法,基于深度学习的命名实体识别方法在整个过程中几乎不需要人为特征介入而且可以通过人工神经网络自动学习特征,摆脱了对语言学知识的依赖且通用性更好。在基于深度学习的命名实体识别方法中,Bi-LSTM-CRF模型因为其优秀的上下文特征提取能力,成为了业界普遍采用的方法。本文通过研究分析认为Bi-LSTM-CRF目前还存在一些不足:如无法区分多义词、建模没有区分重点词与普通词以及缺少对局部空间特征的提取等。因此,本文将Bi-LSTM-CRF模型作为研究基础,使用迁移学习和集成学习从多个方面对其进行改进,并以对人民日报语料的识别效果作为评估标准验证本文所做改进的可行性,本文的主要工作如下:(1)回顾命名实体识别的发展过程并了解其发展现状,多角度分析了Bi-LSTM-CRF模型目前存在的不足及原因。(2)基于迁移学习的思想将Bi-LSTM-CRF模型与19年7月最新的预训练模型RoBERTa进行结合,提出了改进模型RoBERTa-Bi LSTM-CRF。改进模型通过一种生成动态词向量的方式解决了多义词问题,利用自注意力机制改善了注意力分散问题。将改进模型对本文实验数据进行实验后,以命名实体识别任务常用的评测标准F值对模型进行评测,改进模型的F值达到94.89%,比Bi-LSTM-CRF高出5.28%。(3)针对RoBERTa-Bi LSTM-CRF模型仍存在缺少局部空间特征的缺陷,本文基于集成学习的思想,使用了膨胀卷积网络来与其进行集成,利用膨胀卷积神经网络能够对序列进行局部感知能力来获取局部空间特征,之后将局部空间特征用于对RoBERTa-Bi LSM-CRF模型的识别结果作修正,并由此设计了一个可以综合考虑空间特征和时序特征的集成模型。集成模型在本文实验数据上的F值达到了95.79%,比Bi-LSTM-CRF模型高出6.18%。