命名实体识别（Named Entity Recognition,NER）是自然语言处理领域的基本任务,其在下游任务诸如搜索引擎、机器翻译和智能问答等任务中发挥着重要的作用。随着互联网的出现和快速发展,越来越多的人开始通过微博等社交平台发布信息,这使得微博文本信息出现大幅增长。从大量微博文本中提取出指定信息开始逐渐受到关注,然而微博文本作为非规范性文本,其研究成果远不如规范性文本。因此,微博领域的NER研究具有重大意义。目前,基于深度学习的方法开始广泛用于NER领域。对于微博这类非规范文本,本文以丰富文本语义信息为出发点建立NER模型。本文主要研究工作如下。（1）微博文本语法不规范、口语化等特点导致微博文本提供的信息量有限,突显了传统字符向量特征表达能力不足的问题,本文通过添加字形特征缓解这一问题,提出了融合字形特征的Bi LSTM-CRF模型。该模型首先采用文字渲染工具获取汉字图像数据,并根据CNN基础框架设计IGV模型提取汉字图像字形特征,然后通过设计融合模块将字形特征和BERT模型得到的字符嵌入融合作为最终输入,最后将获得的特征输入至主流模型Bi LSTM-CRF。实验表明,添加字形特征有助于模型获得更好的性能。（2）考虑到字符标记策略的中文NER模型丢失了词语的边界信息,本文通过添加外部词语信息缓解这一问题。本文通过修改Transformer编码器提出了融合词语信息的Transformer NER模型,其中改进主要体现在位置编码和注意力得分的计算公式上。依靠Transformer编码器高效的并行计算能力和长距离依赖编码能力,该模型有效的融合了词语信息。为了进一步探索同时融合词语信息和字形特征对中文NER任务的影响,本文从两个角度提出了融合词语信息和字形特征的Transformer NER模型。实验表明,Transformer NER模型可以有效的融合词语信息并提升中文NER模型的性能,此外,同时融合词语信息和字形特征能够进一步提升中文NER的准确率。