近年来我国互联网产业得到长足发展,在这个进程中产生了海量的中文文本数据,这些数据资源中蕴藏着丰富的潜在信息。命名实体作为文本中重要的语义知识,它影响着自然语言处理领域诸多上层任务如机器翻译、问答系统、情感分析和搜索引擎等的效果,因此对其进行准确地识别和分类逐渐成为一项关键的基础性研究任务。中文命名实体识别能够抽取出中文文本中的实体信息,为中文自然语言处理领域的相关研究奠定基础,但是,目前中文命名实体识别研究面临着中文实体界限难划分、词语歧义性和标注数据集资源有限等难点。传统的命名实体识别研究方法主要是基于词典与规则和基于统计学模型,这两种方法都需要人为参与制定规则或构建特征,非常依赖领域的语言学知识。基于深度学习的研究方法不需要人为干预,模型可以自动提取句子特征,尤其是基于神经网络的分布式表示法的出现为命名实体识别研究带来了强劲的发展动力。本文针对当前中文命名实体识别面临的难点与挑战,深入研究了深度学习在该领域的相关工作,并做了总结与探索创新。本文主要研究内容如下:一、针对基于字级别的中文命名实体识别方法无法充分利用句子词语信息的问题,本文设计了一种融合词语信息的中文命名实体识别模型。该模型通过引入外部词典,在字级别表示中融入句子潜在词语信息,避免了分词错误传播的问题。另外,利用Transformer网络对字和词语的向量表示以及位置关系信息进行编码分析,并通过条件随机场算法计算得到最优标签序列。在中文命名实体语料CLUENER2020上进行了实验,精确率达到82.46%,召回率达到83.14%,F1值达到82.80%,表明了本文融合词语信息的方法可以提升中文命名实体识别效果。二、基于对抗生成网络和多任务学习的思想,本文研究了对抗式多任务学习对于提升中文命名实体识别效果的作用。通过采用对抗式训练中文分词任务和中文命名实体识别任务,在将中文分词任务的词语边界参数信息分享给命名实体识别任务的同时避免了任务私有特征噪声对共享特征空间的影响。在实验部分,本文采用了PKU和MSR两种中文分词数据集,实验结果与基准模型相比F1值有较大提升,验证了本文模型的有效性,表明对抗式训练这两种任务有助于提升中文命名实体识别效果。另外,还验证了注意力机制在处理中文文本时具有很强地捕获句中远距离依赖关系的能力。