随着信息技术的发展和人工智能的应用,自然语言处理相关的研究越来越受到重视。其中命名实体识别是自然语言处理初期很关键的一个步骤,识别出语料文本中的时间、数字、人名、地名和组织机构等实体在许多研究领域起着很重要的作用。在实际应用过程中,很多文本不是闭合集,而是开放集。在开放集的文本中,对于音译实体识别到的文字会出现不同的翻译文字,在识别中会产生很高的错误率。论文将KL距离的机制加入模型中,学习其它文本语料中可能出现的音译人名的差异,然后进行参数校准。并且针对防止KL-HMM模型的过度拟合问题,对不同的语料库的适应性进行了验证和分析,提高了识别的效率。最后在实际问题中进行验证,编写命名实体识别程序,测试数据进行比对。实验验证指标使用准确率R和召回率P的综合指标F测度。在实验对比中,使用基于KL-HMM的模型比原先的HMM模型在音译人名F测度上提高了 15.44%,音译地名提高了 29.27%,音译机构名提高了 25.67%,但是每一层参数校准后,会对中文实体产生轻微影响,实验结果在人名、地名和组织机构实体上分别提高了 1.71%、4.66%和0.41%。并且使用自适应调整后F值分别提高了 0.38%、0.36%、0.25%。验证了基于KL-HMM方法对音译命名实体识别性能有很好的提高能力。