命名实体识别作为自然语言处理领域中的基本任务,可以从非结构化的文本数据中提取实体信息,在问答系统、信息抽取、阅读理解等其他自然语言处理领域任务起重要支撑作用。在文本数据爆炸式增加、GPU计算能力快速提升的背景下,深度学习被应用于解决命名实体识别问题并取得了良好的效果,成为解决该领域问题的主流方案。虽然命名实体识别技术取得了迅猛发展,但许多命名实体识别研究都是在英文领域,中文领域的命名实体识别依然存在着以下问题:（1）不同于英文中单词与单词之间用空格隔开,中文单词之间没有明显的边界,不同的词语划分可能会带来不同的含义,给命名实体识别带来一定的难度。（2）中文的字形结构复杂、文字特征不明显、信息粒度单一,不能类似英文单词那样简单的拆分成英文字母的组合。（3）在数据集实体类型较多的情况下,命名实体识别模型训练速度不快、预测精准度不高。因此,如何提高中文命名实体识别效果和加快模型训练成为了研究热点。考虑到以上问题,本文在利用深度学习解决中文命名实体识别任务的基础上,做了以下三个方面的工作:第一,构建了SH-BiLSTM-CRF中文命名实体识别模型。该模型以字作为模型的输入单位,避免了可能的分词错误带来的噪声,同时模型在输入层利用外部词典引入了词汇级别的特征信息,并使用Highway网络动态结合字级别和词汇级别两个维度的文本信息,丰富了输入文本的特征,该模型还利用条件随机场学习标签之间的约束来提升模型命名实体识别的性能。在三个数据集上的实验表明,该模型在中文命名实体识别上的性能较好,模型识别的准确率、召回率、F1值相比于基线模型均得到了一定的提高。第二,利用多任务学习的思想,将中文命名实体识别任务拆分成识别实体类型和识别实体位置两个子任务,并对SH-BiLSTM-CRF模型进行多任务化改造,降低了模型训练过程中条件随机场损失函数的计算量,最终降低了模型的训练时间。第三,在对SH-BiLSTM-CRF模型进行多任务化改造的基础上,构建了Muil-Ref-BiLSTM-CRF模型,该模型使用了一种改进的交叉熵损失函数,该损失函数通过对模型不同类型的识别错误添加不同的惩罚权重来降低模型准确率和召回率的比重,提高了模型识别的F1值。在两个实体类别较多的数据集的实验中,该模型相较于SH-BiLSTM-CRF模型的训练时间更短,模型识别的F1值更高。