序列标注任务是自然语言处理中的一类基础任务,其性能的优劣极大地影响着机器翻译、社区问答等后续任务的性能。传统的统计模型经过特征设计取得了先进的结果,但该设计过程往往需要大量的人力物力,且设计的特征可移植性不佳;神经网络模型考虑到词的句法信息和语义信息,在引入预训练词向量作为模型的输入特征的同时结合一系列非线性变换,产生了接近先进的结果,但随之而来产生了未登录词问题。同时,模型由于忽略词本身所具有的形态学特征,出现了词形信息缺失的问题。本文通过分析和研究发现了形态学特征在人工抽取时产生的可移植性不佳问题以及其以Bi LSTM和CNN分别作为字符级模型时存在参数多、无法并行计算和只能抽取局部特征的问题。基于上述情况,本文提出一种基于注意力(Attention)机制的字符级表示模型Finger用于抽取词形特征。该模型不仅能同时对输入字符间的依赖关系进行建模,而且兼具普通Attention模型的全局性和并行性,从而解决字符级模型Bi LSTM固有的训练参数多、无法并行的问题和CNN只能对局部信息建模的问题。此外,本文研究的字符级模型结合Bi LSTM-CRF编解码模型,构造了一种端到端、无需任何人工特征的序列标注模型Finger-Bi LSTM-CRF。该模型既融合了序列标注任务所需的词形信息,有助于模型对于边界的判定,又结合了BiLSTM对于单词上下文信息的表示能力,还保留了CRF层求解标签序列的全局最优解的能力,在实现模型复用性的同时,解决了特征工程带来的一系列问题。为了验证模型的有效性,我们将设计的模型应用于通用领域的英文词性标注任务和命名实体识别任务中,在端到端、无任何人工特征情况下分别取得了97.37%的精度和91.09%的F1值,这两项结果均接近于最先进水平。