伴随着“新基建”上升为国家战略,人工智能基础设施建设正在加快步伐,各行各业都在和AI相结合,加速实现企业的智能化转型。自然语言处理作为人工智能技术的基础,将其与合同文本相结合实现办公自动化可以达到合同智能审查的目的。本文主要研究合同文本的命名实体识别任务,结合合同文本的特殊性,重点研究基于深度学习和词汇增强的合同文本命名实体识别,主要研究内容如下:（1）针对目前合同文本命名实体识别的研究中,缺乏高质量合同文本命名实体识别数据集的情况,构建了面向合同文本的中文命名实体识别数据集Contract-NER。结合《中华人民共和国民法典》和领域专家意见,以买卖类合同为研究主体确定了46类具有代表性的买卖类合同实体,定义了一套适用于买卖类合同文本的标注规则,形成规范化的命名实体识别数据集Contract-NER,为后续命名实体识别研究奠定基础。（2）针对单独使用字符表示或者词汇表示进行中文命名实体识别研究无法充分利用词汇信息的问题,提出一种基于预训练合同向量和分层词典嵌入的合同文本命名实体识别模型。以预训练的合同词向量为词典,对输入句子所匹配到的所有词汇进行启发式选择。匹配词汇分为主导词汇和辅助词汇,通过对主导词汇和辅助词汇权重的分析,减少假边界信息对模型的影响,然后将其拼接到字符表示中,增强字符信息表示。对比实验结果表明,该模型能够充分学习合同文本的实体边界特征,进而提升合同文本的命名实体识别效果。（3）针对合同文本中出现的一词多义现象以及为了更好地利用词汇边界和语义信息,提出一种基于RoBERTa和词集合的合同文本命名实体识别模型。为了保留全部词汇边界信息,将每个字符的词典匹配结果分成B、M、E、S四个集合,对匹配词进行加权求和后得到词集合向量,拼接到字符表示和RoBERTa-wwm-ext生成的向量表示中,达到词汇增强和上下文语义信息增强的效果。实验结果表明,通过引入预训练语言模型和词集合向量,能够有效地提升模型的性能。综上所述,本文提出的合同文本命名实体识别方法,具有良好的性能,为合同文本命名实体识别研究提供了新的研究思路,对于企业法务快速判定法律风险、提高审核效率以及实现人工智能与法律领域场景深度融合均有着重要意义。