专有名词识别是中文分词技术必不可少的基础环节,也是中文信息处理任务的关键。因此,专有名词识别对提高网络信息检索、文本分类、语音识别和机器翻译等重要领域的研究有着重要的意义。本文采用基于NSP(N-Shorest Path)和CRFs(Conditional Random Fields)双层模型的专有名词识别方法。首先在低层使用基于N-最短路径粗切分方法,得到字符串的切分结果集,从而最大概率的涵盖了正确的切分结果;然后,在高层采用条件随机域方法,使用低层提交的特征、专有名词的单一和复合特征对文本进行标注,复合特征的加入更有利于挖掘专有名词上下文信息和提高实验系统的准确度。论文引入了多个专有名词词典的存储结构,从而有效的提高系统的查找和匹配速度。本文选用北京大学1998年1月份的《人民日报》语料库作为训练和测试数据,实验测试的地名的召回率和准确率分别为87.42%,83.99%,F-值为85.67%;机构名的召回率和准确率分别为72.13%,70.38%,F-值为71.24%。