命名实体识别旨在识别非结构化文本中具有实际意义的实体,是很多自然语言处理任务的基础,在机器翻译、知识图谱构建、信息抽取、自动摘要、语义分析、自动问答等任务中都有广泛应用,命名实体识别的准确率直接影响上层应用的效果好坏。随着计算力的提升和数据量的增长,深度学习被广泛应用于信息处理之中。基于神经网络的命名实体识别方法能够自动完成实体的识别,可以有效避免手工特征抽取,且超过了传统的浅层机器学习模型,逐渐成为研究热点。在基于神经网络的中文命名实体识别方法中,字的向量化表示是重要一步,传统的词向量表示将字映射为单一向量,这种方法无法对字的多义性建模。针对这个问题,提出了基于BERT-BiGRU-CRF模型的中文命名实体识别方法。该方法通过BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型增强字的语义表示,根据字的上下文动态生成语义向量,然后再将字向量序列输入BiGRU-CRF中进行训练。因为通过BERT层计算得到的字向量是上下文相关的,所以同样一个字在上下文不同时,在向量空间中的位置也不相同,一定程度上表征了字的多义性。训练时可以有两种训练方式,第一种训练方式是训练整个BERT-BiGRU-CRF模型,第二种训练方式是固定BERT层,只训练BiGRUCRF部分。实验表明,该模型的两种训练方法在MSRA语料上分别达到95.43%F1值和94.18%F1值,在2018年最新发布的简历数据集上可以达到95.43%和95.24%的F1值,均优于此前最优的Lattice-LSTM模型。第二种训练方式相对于第一种训练方式更省时间。针对BERT-BiGRU-CRF训练效率低的问题,提出了基于BERT-IDCNN-CRF的中文命名实体识别方法,通过BERT预训练语言模型表征多义性的同时,利用膨胀卷积容易并行的特性,加速训练过程。该模型在MSRA语料上可以达到94.41%F1值,在OntoNotes数据集上达到82.63%F1值,均优于此前的模型,并且相对于BERT-BiGRU-CRF方法,训练速度得到了提高。本文研究了语言模型嵌入在中文命名实体识别中的使用,通过将BERT预训练语言模型嵌入BiGRU模型和IDCNN模型,提高了中文命名实体识别的效果,有一定的使用价值且为其它序列标注类任务提供了思路。