随着数据挖掘和云服务等智能技术的飞速发展,互联网中日益增长着大量的数据信息,其中包含了大量的文本数据,这些数量庞大的文本数据蕴含着巨大的社会价值。但是,由于日常生活中的文本信息大都以非结构化的形式存在,使得计算机无法高效地处理这些数据,进而使得提取到的有价值的信息很少。命名实体识别是一种可以从非结构化的文本中抽取结构化信息的智能信息处理技术,在自然语言处理领域中具有关键性的作用。本文的研究内容主要是对于提升命名实体识别模型性能进行的探索,重点研究面向中文语料的命名实体识别技术。本文的研究工作主要包括:(1)设计并实现了一种基于Bi LSTM-QRNN-CRF的中文命名实体识别模型。通过研究和分析近年来命名实体识别广泛应用的长短期记忆网络模型(LSTM)、双向长短期记忆网络模型(Bi LSTM)和双向长短期记忆网络-条件随机场模型(Bi LSTM-CRF),在此基础上设计了基于Bi LSTM-QRNN-CRF的中文命名实体识别模型,该模型丰富了输入数据的特征信息,进一步提升了识别效果。该方法采用了应用最广泛也是最成熟的Bi LSTM-CRF模型作为基础模型,引入了准循环神经网络(QRNN)增强模型输入时的特征信息,并且由于QRNN模型具有并行计算的特性,并没有增加过多的训练时间。实验结果表明,该模型的识别效果得到了一定程度的提升。(2)设计并实现了一种基于多神经网络协同训练的中文命名实体识别模型。随着命名实体识别技术应用的领域越来越广泛,识别的对象种类越来越丰富,针对特定的领域进行命名实体识别的需求也在不断增加。基于多神经网络协同训练的中文命名实体识别模型克服了特定领域只有少量甚至没有标注语料可用的问题,旨在提高命名实体识别的系统实用性。该方法融合了神经网络和协同训练的优势,首先利用少量的标注数据训练三种不同的神经网络作为基础分类器,然后在大量无标注数据上对三种基础分类器进行协同训练以优化模型。实验结果表明,该模型具有良好的识别效果。(3)设计并实现了界面化的命名实体识别系统,将已经实现的中文命名实体识别模型开发为可以界面化操作的系统平台。通过设计和实现注册、登录和文件上传等功能提高了中文命名实体识别的实用性。