命名实体识别作为自然语言处理技术中许多研究的基础任务之一,其运用范围十分广泛。命名实体识别的主要目的是识别指定语料中具有特定意义的时间、地点名、人名、组织机构名等实体并对其进行分类。传统的命名实体识别方法主要使用规则和词表,需要人工设计识别规则,跨领域通用性较差。使用机器学习的方法进行命名实体识别则具有更高的灵活性和通用性,不受专业知识的约束,但识别效果依赖于人为设计的大量特征的质量高低。基于深度学习的命名实体识别方法无需人为设计大量特征,可以自学习样本的特征,具有较高的通用性和可移植性,因此成为当前命名实体识别的主要研究方向。本文首先分析和总结了现有的命名实体识别方法,介绍了国内外命名实体识别的研究成果。通过分析总结发现,现有的命名实体识别方法大部分将输入文本理解为输入特征向量的一维集合,忽略了句子中各组成成分的依赖关系。句子中各组成成分通过非对称的依存关系相连,句法依存关系是分析句子结构和语义的重要基础。因此本文引入依存句法分析,使用依存句法图表示句法结构。卷积神经网络可以提取多尺度的局部空间特征,然后将其组合成具有高表达能力的向量表示。但由于图结构数据中各节点的邻接节点个数不同,导致卷积神经网络的卷积核与池化操作难以定义。因此本文引入图卷积神经网络（GCN）处理依存句法图。本文引入依存句法分析,结合图卷积神经网络与双向长短期记忆网络（Bi-LSTM）构建命名实体识别模型。为在训练中保留节点自身特征,在依存句法图中添加自循环边,为使依赖信息可以双向传递,添加反向句法依赖边。为减少模型参数,忽略依存句法图中边的标签信息,根据依赖传递方向将边分为原始边、反向边与自循环边。使用词向量和词性向量构建输入特征向量,首先使用双向长短期记忆神经网络获取上下文隐含信息,然后使用图卷积神经网络分别处理原始边依存句法图、反向依赖边依存句法图和自循环依存边依存句法图,获取邻接节点的隐含特征信息,输出层使用条件随机场计算标签概率。通过多组对比实验证明,引入句法结构信息可以有效提高命名实体识别的效果,当使用两层图卷积神经网络时,命名实体识别效果最好。