命名实体识别作为自然语言处理领域的关键技术之一,在信息抽取、机器翻译、知识问答等任务中发挥着基础性的作用,命名实体识别主要研究的是从非结构化文本中识别出包含特殊含义的词汇或专有名词。早期的命名实体识别方法是基于规则和词典的,这些方法严重依赖领域专家制定的规则,可移植性差,后续发展到基于统计学习的方法,此类方法通过手动特征工程,构造和提取特征,但是需要耗费大量的时间和人力成本,而且特征对信息的表现能力不稳定。随着近几年深度学习的发展和应用,基于深度学习的方法开始逐渐被应用到命名实体识别任务中,比较具有代表性的是BiLSTM-CRF模型,本文选择该模型作为基线模型进行对比实验。除此之外,中文命名实体相对于英文来说,具有实体结构复杂、类型众多等特点,并且由于中文语言本身的特点,识别任务难度更大、挑战更多。针对中文命名实体识别任务中存在的问题,本文基于深度学习的方法,设计和改进了命名实体识别的模型,并在相关数据集上进行识别性能的验证,在此基础之上,设计和开发了命名实体识别系统,主要研究工作如下:本文首先提出了一种词汇增强的字级别特征向量表示方法,该方法通过结合外部词典,构建不同类别的词集合,并将集合进行压缩和向量化,将词汇信息融入到字向量中,有效避免了词级别方法中分词任务的错误传播问题,并且将双字特征也有效整合到字向量表示中,经过实验验证,该方法在实体识别的准确率、召回率和F1值方面均实现了有效提高。此外,在基于深度学习的命名实体识别的三层架构模型的标签解码层,本文提出了实体边界检测和实体类型判别算法,该算法底层实现是基于多层感知机和softmax,在完成上下文编码层特征提取后,将特征输入到由边界检测和类型判别组成的多任务框架中进行联合训练,经过数据集上实验验证,该算法有效提升了命名实体识别的性能。最后,在前述两个研究工作的基础上,本文设计实现了一个命名实体识别展示系统,该系统可以实现对实验过程中使用的数据集内部信息和模型结构的展示,并且可以根据用户选择的数据集,以图的形式对比展示出该数据集上各模型的识别性能。