近年来,国家司法改革不断深化,随着司法机构数字化程度不断提高,法律文本数据信息出现了指数级的急速增长,海量司法文书的高效分析与处理成为亟待解决的问题,相关问题的研究也受到研究者的广泛关注。法律文书的命名实体识别,作为司法人工智能领域的关键性和基础性的工作,在法律问答、刑期预判和司法知识图谱构建等任务中起着重要应用。命名实体识别的研究推动了司法人工智能下游任务的发展,但目前司法命名实体识别的研究还处于起步阶段,存在着实体定义与司法业务结合不紧密、高质量命名实体数据资源少、传统词向量无法解决一词多义、司法嵌套命名实体识别困难等问题。本文基于深度学习方法围绕以上现实问题进行了深入的探究分析,主要的工作内容如下所示:（1）针对中文司法领域传统名实体识别问题,构建了盗窃类案件司法命名实体识别语料集Legal Corpus-Flat,提出一种基于预训练语言模型的法律文书命名实体识别方法。首先利用预训练语言模型动态生成语义向量,然后运用ON-LSTM对语义向量进行序列和层级建模以提取相应的文本特征,最后利用条件随机场模型基于文本特征获取最优标记序列。实验结果表明,模型F1值达到86.09%,相比基线模型提高了7.8%。（2）针对中文司法领域嵌套命名实体识别问题,基于Legal Corpus-Flat构建了司法嵌套命名实体识别语料集Legal Corpus-Nested,提出一种基于片段提取的机器阅读理解的模型,该模型针对性的设计问题模板,利用BERT进行句对编码,以学习到问题模板中蕴含的司法先验,通过两个多分类器,分别提取实体的首尾位置和片段匹配,从而提取出相应的实体,较好的保留了司法文本的业务信息。模型F1值达到83.28%,相比基线模型提高了6.03%。（3）针对改善低资源命名实体识别效果,首先对现今司法领域命名实体识别的定义方案进行了总结归纳,并提出了一种注重司法业务的司法属性命名实体定义方案。构建了可用于迁移学习的司法命名实体语料集Legal Corpus-Transfer,提出一种基于对抗迁移学习用以改善低资源司法命名实体识别性能的方法,实验结果证明,模型能显著提升低资源司法命名实体识别的性能,并且可以通过此方法大幅减少新语料标注成本。通过引入预训练语言模型,有效地提高模型性能,通过对比多个预训练语言模型,Ro BERTawwm取得了最佳效果。