中文公司名实体识别是命名实体识别的一个细分领域。中文公司名实体识别是对企业的曝光率、知名度、运作状况等信息进行自动化分析的基础,在新闻、财报的自动化分析中具有重要意义。但是,目前的中文公司名识别遇到了很多难点,导致识别率偏低。本文针对这些难点,分析了各个模型的优劣,并针对性地搭建了测试语料库。本文的主要工作如下:（1）针对中文文本缺少分隔符以及中文一词多义现象常见的情况,本文使用BERT词向量模型和传统的Word2vec词向量模型生成字向量,使用BiLSTM-CRF模型进行判断。实验表明,在充分结合上下文计算后,BERT模型降低了分词错误和一词多义对模型带来的影响,提高了模型的召回率和准确率。（2）针对公司名构成形式多样、所处语境复杂多变的问题,本文针对中文的构词特性,使用微调后的RoBERTa模型和wwm策略,生成更为准确的字向量,从而解决复杂语料库中因构词多样及语境多变带来的公司名识别难的问题。（3）针对同一公司有多种完整度不同的公司名的现象,本文对不同语料库进行评估,提出了使用公司名完整度和公司名实体在总命名实体中的占比评估语料库的方法,从而使得模型可以模拟多种应用场景,进而充分测试出不同模型的性能差异。本文选取近些年新浪新闻中的财经类报告语料和boson语料,对Word2vec、BERT、RoBERTa等词向量模型进行对比测试,并在BERT和RoBERTa预训练模型上另外使用wwm策略进行对照。测试结果表明,相较于常用的Word2vec-BiLSTM-CRF模型,BERT词向量模型能更好的联系上下文识别出公司名实体;相较于常规BERT,wwm策略在不增加训练时间的情况下将财经类报告中公司名识别的F1值提升了1.75%,而在boson语料库上,RoBERTa将公司名识别的F1值提升了3.11%,RoBERTa-wwm将F1值提升了4.02%,证实了RoBERTa模型和wwm策略的有效性。