裁判文书数据的公开和自然语言处理技术的快速发展加快了司法智能化的脚步。法律文书命名实体识别作为司法智能化的基础任务,是从法律文本中识别出法律相关的实体信息,可为法律文书智能处理系统的上层模块提供文书中的结构化数据和关键信息。本文主要对法律文书数据集展开研究,使用深度学习方式构建实体识别神经网络模型。本文首先从通用的中文命名实体识别数据集出发,研究了利用预训练语言模型BERT加入到传统模型结构中构建实体识别模型,并验证该模型对于命名实体识别任务的提升效果。该模型使用BERT生成具有上下文依赖的词向量作为Bi LSTM的输入,克服了使用预训练词向量语义不丰富和一词一义的缺点。其次,构建了基于自注意力和堆叠Bi LSTM的命名实体识别模型。该模型将第一层Bi LSTM特征表示和自注意力的特征表示进行两种不同方式的融合,达到融合短距离依赖信息和全局依赖信息的目的,使模型的语义特征表示更加丰富。为了缓解自注意力无序计算带来的影响,本文增加了第二层Bi LSTM增强自注意力特征向量中的顺序特征,加强了整体模型的拟合能力。实验数据集采用德语法律文书数据集,并且构建多个对比模型,结果表明本文模型取得了较好结果。最后,在中文法律文书上开展研究,考虑到公开的中文法律文书数据集比较缺乏,本文手工标注了中文法律文书命名实体识别数据集,共计25430条句子,47442个实体,包含八种命名实体,分别为人名、地名、机构名、法院名、案号、法律文献名、刑名和罪名。并将本文构建的基于自注意力和堆叠Bi LSTM的命名实体识别模型应用到该中文数据集上,对比实验结果显示本文所提模型对中文法律文书的命名实体识别依然有效,说明该模型具有一定的泛化能力。为了能够直观的展示命名实体识别结果,本文使用Django框架搭建了WEB可视化系统,该系统从前端界面接收文书内容,并进行预处理和实体识别处理操作,最终将识别结果展示在前端界面。