命名实体识别（Named Entity Recognition,NER）是自然语言处理的任务（Natural Language Processing,NLP）之一,目的是检测出文本中的实体并且将其划分至预定义的类别中,可以实现自动化地从文本中挖掘有价值的信息,在不同自然语言处理下游任务中充当着非常重要的基础模块。基于深度学习的命名实体识别技术依赖于大量的人工标注数据,为了减少人工标注成本,可利用通用领域中的标注数据训练模型,再将模型迁移到目标领域使用,这类方法被统一称为领域自适应方法（Domain Adaptation,DA）。然而,这种迁移方法存在着不足:不同领域文本的行文风格和上下文模式有差异,领域之间存在领域分布偏差,从通用领域训练出来的模型迁移到目标领域时模型的性能会有较大的损失。针对上述情况,本文首先提出了利用对抗训练方法来缓解领域分布偏差问题,对抗训练可以将源领域和目标领域映射到同一的表征空间从而减小领域沟壑;同时在对抗训练的基础上,本文进一步提出实体感知对抗训练模型（EntityAware Adversarial Training Model,EAAT模型）,该模型利用实体感知注意力机制来引导对抗训练,在训练过程中给予实体特征更高的关注度,从而完成实体特征的细粒度对齐,实验证明该模型可以有效提高跨领域NER的实体识别效果。然而,目前的跨领域模型只能缓解领域分布差异,领域之间的差异仍然存在。为了解决领域差异问题,本文进一步提出了结合实体增强的自训练模型（Self-Training Model Combined with Data Augmentation,STDA模型）,该模型以EAAT模型为基础模型,挑选出高置信度的目标域预测数据作为训练数据重新训练模型,并引入自训练模块迭代地增加伪标签训练样本,自训练方法利用了目标域高置信度数据作为训练集,因此保证了最终模型与目标域数据处于分布一致的参数空间中,不再存在领域差异问题。此外,STDA模型在自训练模块的基础上还引入了实体数据增强模块,进一步扩充了伪标签数据,提升了模型性能。本文在三个数据集的多个领域迁移方向上验证了本文提出的EAAT模型和STDA模型的有效性,取得了目前面向命名实体识别的领域自适应任务上的最优实体识别效果。