城市火灾位置的及时感知不仅有利于公众的智慧出行,而且还有利于政府部门对火灾事故的高效应急处置。因而快速感知城市火灾的位置成了一个关键问题。针对现有的城市火灾监测手段存在耗费大量人力物力、效率不高等问题,本文利用微博数据传播快、数据量大、成本低、隐含城市火灾位置等优势,以及机器学习与数据融合方法,提出了一种基于CRF的城市火灾微博文本地名地址识别与精化处理方法,实现了城市火灾位置的快速感知。论文的主要工作及成果体现在:(1)研究了新浪微博城市火灾数据的获取、处理方法,对地名地址统计特征进行了设计与选取。利用网络爬虫技术获取了2017年1月-2019年11月的南昌市城市火灾微博数据,并进行文本规范化及分词处理。根据城市火灾微博文本的特点,选取了字、词性、边界、地名词典与后缀词相结合的地名地址统计特征。(2)研究了基于CRF模型实现城市火灾微博文本的地名地址识别。以地名地址统计特征为基础,选取BIEO标注体系与基于字的标注方法,通过对城市火灾微博文本进行特征标注,利用CRF模型对其隐含的地名地址进行识别。(3)研究了地名地址识别结果的精化处理方法。针对基于CRF模型识别出的部分地名地址存在层级信息缺失、出现多个地名地址等问题,本文设计了基于层级地名词库的地名地址补全方法和多地名地址中的火灾位置鉴别方法对地名地址进行精化处理。(4)完成了基于CRF的城市火灾微博文本地名地址识别与精化处理实验。利用1562条城市火灾微博文本数据,对本文提出的方法进行了验证。实验结果表明,基于CRF模型的地名地址识别的正确率最高值为88.95%、召回率最高值为90.97%、F最高值为88.85%。在此基础上对识别出的地名地址进行了地名地址补全与火灾位置鉴别等精化处理,得到了更加完整与规范的城市火灾位置。相比传统的基于规则的方法,其自动化程度高,可以为低成本高时效的城市火灾位置监测提供一种新的途径。