命名实体识别(Named Entity Recognition,NER)指的是在文本中识别并标注实体分类的过程,在知识图谱、自动问答系统和机器翻译等领域都有着广泛应用。命名实体识别任务面临着许多困难,例如分词界限不清、句型复杂、词语具有歧义性等,一直以来都是自然语言处理领域的研究热点。针对中文领域命名实体识别模型存在关联中文词序列依赖效果不佳且训练时间长等问题,本文提出一种BERT-IDCNN-CRF模型。相比于传统的神经网络模型,该模型的优点在于:BERT预训练层能够动态抽取语句特点,更加准确地捕获语义信息;IDCNN层可以尽可能多地扩充容纳输入数据并加速GPU并行运算;CRF层输出最优序列分类概率。首先,为了更好地理解背景知识,介绍了命名实体识别相关的技术,包括词向量模型、混淆矩阵等。其次,通过对Bi-LSTM-CRF模型的训练过程和原理进行分析,主要包括网络模型优化、超参数调整等策略,以便更好地设计模型。在此基础上,最后设计了BERT-IDCNN-CRF模型,以期解决关联中文词序列依赖效果不佳、训练时间长等问题。本文通过实验证明了BERT-IDCNN-DRF模型的有效性。实验数据集来源于1998年1月份《人民日报》语料,约两万条数据。为了防止数据量过大,以便更好地分配计算资源,采用批处理的方式将数据送入模型之中。同时针对样本数据各个命名实体数量不均衡的问题,采用随机过采样和欠采样相结合的解决方式。通过对比试验,该模型相比传统的Bi-LSTM-CRF神经网络F1值提升了3.65%。