作为审判活动最终产品的裁判文书包含了丰富的信息,通过对其进行命名实体识别,可以为裁判文书知识图谱的构建打下基础。目前,在裁判文书的研究中已开发了一些语料,但这些语料标注的实体并不全面,对于本文所关注的行业和标的物实体目前还没有公开的相关语料。此外,由于没有专门针对裁判文书的分词工具,导致分词的质量不高,从而影响命名实体识别的效果。因此,本文主要研究基于字符的裁判文书命名实体识别,以避免分词错误带来的影响。考虑到词信息的作用,本文提出了两种用于在基于字符的模型中融合词信息的方法。具体地,开展了如下三个方面的研究工作:（1）构建了一个基于民事裁判文书的命名实体识别语料,以下统称为裁判文书语料。主要步骤包括分析裁判文书的结构,对其进行预处理操作,并制定相应的标注规范,形成可用的实验语料。（2）基于字词信息直接融合的模型。该模型在获取字符信息的基础上,简单地拼接了预训练的词向量信息。对于裁判文书这类长序列语料,该模型以单一字符作为输入,选用Bi LSTM作为编码器,然后添加一层注意力机制来计算输入字符在上下文中的表示。同时,为了利用词汇信息,本文使用CBOW模型对大量无标注的裁判文书语料进行训练,获得预训练的词向量。最后,将词向量与字符在上下文中的表示进行拼接,输入CRF层进行标签的预测。（3）基于字词多层次特征融合的模型。一方面,上述字词信息直接融合的模型未能全面的挖掘字词潜在信息。另一方面,相比于单一的嵌入表示,字词多层次特征融合的表示方法往往能获得更多的有效信息。因此,提出了基于字词多层次特征融合的模型,用于在基于字符的模型中充分利用词信息。具体地,模型以字符作为输入,首先使用Bi LSTM和CNN从多个层次全面挖掘字符级特征,然后通过字词编码的方式获取词级特征,最后将两者进行融合组成原始输入序列的最终表示,输入模型进行训练,完成实体识别任务。实验结果表明,基于字词信息直接融合的模型能有效地提升面向裁判文书的命名实体识别的性能。基于字词多层次特征融合方法的性能优于基线方法,且优于基于字词信息直接融合的模型,取得了比较满意的效果。