中文实体识别从中文文本数据中抽取出关键信息实体,其为后续关系抽取、图谱构建、智能问答等自然语言处理任务提供数据基础。目前中文实体识别存在训练语料库匮乏、缺少实体边界、实体结构复杂、实体存在嵌套等难点,导致识别准确率不高,需要进一步改进。针对中文实体识别标注成本高、缺少实体边界、语义挖掘困难等问题,提出基于语义增强和多特征融合的中文实体识别模型。模型采用基于字根字形特征增强的字符特征提取算法、基于语义增强的词汇特征提取算法、基于预训练模型的深层语义特征提取算法,并利用门控机制将字根字形特征、词汇特征、预训练特征融入到中文实体识别模型中,充分利用不同特征增强上下文语义,提高识别准确率。同时在此基础上进一步优化,利用自适应损失函数平衡负样本来提高F1值,利用数据增强扩充训练集以提高鲁棒性。该模型对训练语料依赖小,计算速度快且可拓展性强,但不适用复杂嵌套实体。针对中文实体结构复杂,实体存在嵌套等问题,提出基于语义理解和全局指针网络的中文实体识别模型。引入指针网络标注方式,将实体识别任务转为语义理解问题,将类别描述信息利用注意力机制融入实体识别模型,利用指针网络预测实体位置和类别。针对常规指针网络带来的训练和预测不一致的问题,提出基于全局指针网络的模型性能优化算法,尽管模型计算复杂度大,但该模型适用于序列实体和嵌套实体。在四个中文基准实体识别数据集上进行多特征语义增强实体识别模型效果验证,实验表明,提出的多特征语义增强模型与现有模型相比,取得较好效果,F1值最高,F1值在四个数据集上分别提升了0.55%、6.1%、1.08%和4.97%。分别在嵌套和序列实体识别数据集上进行基于语义理解的实体识别模型效果验证实验,实验表明,提出的语义理解模型现有模型相比,在序列和嵌套实体识别数据集均取得最优效果,F1值在CMe EE数据集上提升了3.09%,F1值在Onto Notes4数据集上提升了0.8%。