网络招聘文本命名实体识别是指从网络招聘文本中识别出特定的信息,例如技能,学历,工作经验等要求。在信息资源爆炸的大数据时代,求职者需要耗费大量的时间精力对招聘文本进行梳理才能总结出招聘企业对人才的要求。对网络招聘文本进行命名实体识别并进行分析,一方面可以帮助求职者掌握工作岗位的具体需求,另一方面对网络招聘领域推荐系统和知识图谱的构建也有重要意义。因此本文将网络招聘文本作为研究对象进行基于深度学习方法的命名实体识别研究。本文的主要研究内容如下:（1）针对传统命名实体识别模型对网络招聘文本实体识别效果不佳的问题,提出改进的Bi GRU-ATT-CRF模型。将LSTM网络替换为GRU网络可以降低模型的复杂度,通过添加注意力机制使模型更加灵活。与传统命名实体识别模型相比,Bi GRU-ATT-CRF模型实体识别效果有一定提升。（2）针对传统命名实体识别模型对复杂实体特征提取能力弱的问题,提出RSBC模型。RSBC模型通过增加实体识别模型中神经网络的深度以提高模型提取深层特征的能力,并通过残差连接解决随着网络深度增加出现的网络退化问题。与传统实体识别模型相比,RSBC模型进一步提升了实体识别效果。（3）针对网络招聘文本中一词多义现象导致的实体类型识别错误问题,提出BERT-Bi GRU-CRF模型。使用基于BERT预训练语言模型生成的字向量进行文本表示,再通过Bi GRU-CRF模型训练字向量。与传统命名实体识别模型相比,BERT-Bi GRU-CRF模型在网络招聘文本中取得了最好的实体识别效果。实验结果表明,本文提出的三种模型与传统实体识别模型Bi LSTM-CRF相比,F1值分别提升了4.93%,6.77%和10.07%,取得了最好的实验效果。