随着信息技术的快速发展,人们生活中充斥着海量的文本数据,命名实体识别任务就是对这些数据中有意义的实体进行提取。它是自然语言处理中一个关键任务,是舆情监测、信息提取任务的基础,其效果的好坏对后续任务研究有着巨大的影响。本文中引入的命名实体识别任务是对文本中的人名,地名,机构名进行抽取。由于传统方法会导致代价大、泛化性差的结果,本文采用了基于语义向量融合的方法对中文实体进行识别。首先利用双向长短时记忆网络(BiLSTMs)进行建模,通过引入条件随机场(CRF)增加规则来提高模型识别效率构建BiLSTMs+CRF模型。以字为单位进行输入,解决了中文分词错误导致识别效果不好的问题。在模型中将经过预训练模型的词向量和字向量进行拼接,得到一组语义向量融合的新特征。然后构建了 CNN-BiLSTMs+CRF的模型,其中卷积神经网络(CNN)用来提取细粒度的特征。为了解决序列模型计算速度慢的缺点,将融合好语义的向量输入到构建的迭代膨胀卷积网络(ID-CNN)。该模型在没有增加参数的情况下使得覆盖的文本和提取的特征变得更多了。在BiLSTM、BiLSTM+CRF、BiLSTMs、BiLSTMs+CRF模型中,通过实验发现字向量与词向量拼接在一起分别都比单独的效果好,语义向量融合后F1最高可达到89.64%。在CNN-BiLSTMs+CRF模型中,F1 达到90.08%。模型ID-CNN中F1的值为89.22%,训练速度只是上述序列模型的三分之一。虽然ID-CNN模型F1的值不是最高,但是也证明了该模型在命名实体识别上的有效性。最后通过模型集成使得F1提升到90.31%。