命名实体识别旨在从无结构文本中识别出属于预定义语义类型的片段,是信息抽取和自然语言处理的关键问题之一。过去二十年里,命名实体识别技术取得了很多成功进展,但绝大多数的方法需要依赖大量同领域的标注语料。这使得将训练好的模型应用到其它领域时,必须在人工标注的目标领域样例上重新训练模型,否则性能下降剧烈。本文从以下两方面入手,提高目标领域的实体识别性能。一方面,试图从源领域的标注数据中挖掘任务相关、领域无关的知识。另一方面,充分利用无需监督信息的资源,如两个领域的无标注数据、语言模型等。具体而言,本文的主要工作内容如下:（1）面向目标领域少量标注数据的命名实体识别在目标领域有少量标注数据的场景下,本文提出了一种包含多个约束的多任务学习框架,分别抽取领域无关和领域有关特征。为了学习领域无关的特征,我们设置了一个共享编码器,并引入对抗训练,迫使一个分类器无法根据共享编码器的输出,判断训练实例的领域来源。为了学习领域有关的特征,我们给输入样例打上领域标记,帮助模型区分训练样例。同时,两个领域各有一个私有编码器。我们定义了一种软正交损失,鼓励共享编码器和私有编码器从不同的角度抽取特征。最后,在两个目标领域的数据集上,验证方法的有效性。（2）面向目标领域无标注数据的命名实体识别在目标领域仅给定无标注数据的场景下,本文自动构建目标领域的弱标注语料并对其建模。首先,采用两种不同的方法对无标注数据进行自动标注;然后,采用留“同”去“异”的方式,尽量减少错误标注,自动生成局部标注的语料;最终,提出一种新的基于局部标注学习的实体识别模型,该模型可以在弱标注数据上进行训练。新闻领域到社交领域和金融领域的迁移实验结果证明,本文所提方法能有效提升命名实体识别模型的领域自适应性能,并且迁移代价较低。（3）基于弱监督的跨领域命名实体识别系统实现本文设计并实现了一个面向弱监督场景（包括目标领域无标注数据和目标领域少量标注数据两个场景）的跨领域命名实体识别系统。该系统充分利用源领域数据和目标领域数据,训练得到目标领域的命名实体识别模型。通过模块化本文研究中涉及的跨领域命名实体识别算法,用户可以快速方便地配置和使用该系统,并在该系统基础上进行修改和扩展。除此之外,该系统还支持以多种方式集成多种预训练语言模型。实验结果表明,该系统可以获得较高的目标领域实体识别性能。综上所述,本文研究了两种场景下命名实体识别的领域迁移问题,我们希望这些初步的进展能够为命名实体识别的实际应用提供些许帮助。