司法领域的中文命名实体识别是对法律文书中的各类实体进行准确地识别,是人工智能领域后续应用的基础工作。由于司法标注语料资源的严重匮乏以及中文文本独特的行文特点限制,国内对于此方面的研究相对较少。本文对法律文书的行文特点进行分析,并结合深度学习对司法领域的中文命名实体识别任务展开研究。主要完成工作如下:（1）针对司法领域公开标注语料缺失的问题,人工构建司法标注语料。首先从中国裁判文书网和“法研杯”挑战赛公开发布的语料中获取数据,并用自动化技术对这些数据进行清洗、脱敏处理。然后根据处理后的案例文书语料进行行文特点分析,从中设计合理的法律标注规范。最后使用数据增强的方式,扩充训练语料,最终生成了用于本文后续研究的中文实体标注语料集。（2）针对司法领域的实体类别丰富且构造复杂,常用的命名实体识别方法不能很好地识别特定领域的实体问题,提出基于自注意力机制的IDCNN的法律文书命名实体识别。首先应用Bi GRU网络自动学习文本语义信息,解决长序列由于距离依赖而产生的实体歧义问题。然后引入IDCNN网络提取其关键特征,捕获底层序列中更细粒度的实体语义信息。最后添加自注意力机制解析字符之间的联系,融合CRF模型计算最优标签序列。实验表明,本文所提方法有效地辨别法律文书中的细粒度实体,提高了命名实体识别在司法领域的效果。（3）由于法律文书中出现较多的少数民族译名与常规汉语人名在结构和词数上存在着很大的差异,针对人名实体识别不准确的问题,提出基于双向编码模型的法律文书人名识别。通过引入BERT预训练语言模型对人名实体进行识别,不依赖领域知识和人工特征,增强了模型的上下文语义特征提取能力。实验表明,该方法提高了少数民族译名识别任务的效果,实现了端到端的命名实体识别。上述研究工作对于司法领域的中文命名实体识别提供了新的研究思路,为后续的自然语言处理应用具有重要的参考价值,并推动了智慧法院的建设,具有实用性。