自然语言处理的发展浪潮正在颠覆着人类的生活方式。命名实体识别作为自然语言处理中的基础任务之一,其识别准确率对后续任务如机器翻译、推荐系统、信息检索等起着不可或缺的作用。其中,中文命名实体识别由于任务的特殊性和语言的普及率,在命名实体识别领域的研究中备受关注。此外,提高模型识别准确率通常需要大量的标注数据集来进行拟合训练,而高质量中文标注数据集的短缺已经成为影响算法性能的瓶颈之一。因此,针对匮乏标注数据的高效益中文命名实体识别算法的研究工作极具应用价值和意义。本文以额外监督下中文命名实体识别算法为研究对象,在缺少训练数据的情形下,致力于使模型在达到一定识别性能的前提下最小化人工标注成本。本文研究工作包括:（1）针对中文命名实体识别任务中标记训练语料缺乏且不易获取的问题,本文提出了中文实体触发器的自动标注方法和面向少量训练数据集的命名实体识别模型m-TMN。该模型利用训练数据的额外监督,通过触发匹配网络联合训练句子向量和触发向量。并将触发向量作为后续序列标注模型的注意查询。实验证明,m-TMN模型仅用20%比例的训练数据集就超越了传统模型Bi LSTM-CRF模型40%比例训练数据集的性能表现。且该模型在精度和收敛速度上都优于TMN模型。（2）针对m-TMN模型触发匹配网络训练中实体触发器的分类准确率和匹配准确率较低的问题,本文在模型的联合训练损失函数中引入了Dice损失因子,提出了DM-TMN模型。实验结果表明,改进联合损失函数后,实体触发器的分类准确率和匹配准确率均有不同程度的提高。更进一步的,DM-TMN模型在相同比例训练数据集上的性能表现也优于m-TMN模型。（3）为更好的提取触发器编码和短句级编码的注意力权重从而进一步提升模型性能,本文提出了综合Global-Local attention机制的GLDM-TMN模型。该模型在训练注意力查询阶段,分别使用了Local attention机制和Global attention机制对触发器和短句级文本周围信息的权重进行计算。实验结果表明,GLDM-TMN模型相较DM-TMN模型,在相同比例训练数据集上的性能表现有一定的提升。