命名实体识别作为自然语言处理领域的一项基础性研究课题,其目标是在句子中辨认并提炼出指定类型的实体词信息。准确的辨别非结构化文本中的实体词可以协助完成诸如智能翻译、自动摘要、情感分析等多项下游任务。材料命名实体识别对机器理解材料领域文献,构建材料知识库起着重要的作用,正确且高效的识别材料实体有助于提高查阅效率并减少重复的科学研究工作。但是目前材料领域命名实体识别还存在着一些不足:（1）目前常用的词嵌入方法不能适应材料领域实体词的特异性和多变性,不能有效提取材料相关词汇中蕴含的通用化信息。（2）序列标注方法如BERT-CRF模型,没有针对命名实体识别做出特殊优化处理,可能导致混淆各个单词间的关联关系。（3）材料领域语料少,标签分布不均,实际使用中出现的罕见词相比于通用领域较多。针对上述材料的实体识别问题,进行了以下三个方面研究:1)面向命名实体识别,针对目前常用的自注意力模型提出优化,讨论了Bi LSTMRMHA-CRF模型相较于其他模型对于材料实体识别的提高作用,并对多个前沿识别模型在SOFC两项数据集下的实验结果进行了比较和研究。同时通过消融实验分析了模型中不同模块对于材料实体识别的提高作用。2)提出使用基于一元语言模型的子词嵌入特征表示方法,针对Word2Vec存在的未登录词问题和一般字符嵌入粒度不可控问题做出优化。在有效处理未登录词的同时,利用材料领域词汇中蕴含的结构化词缀信息,并兼顾大数据预训练词向量的信息优势。同时基于概率的子词嵌入方法相较于一般的子词嵌入方法更具解释性,其量化的多种分词结果可以有效提高模型的鲁棒性。经验化的研究表明结合一元语言模型的子词嵌入可以较大程度的提高模型对于材料领域罕见词的适应能力,从而提高材料实体的识别准度。3)面向材料领域语料匮乏,实体分类极度不均衡的问题,针对性的提出基于正则模板和类平衡的数据增强方法来解决。该方法通过自动批处理生成合乎语言结构的相似语料,强化模型对于小类别的识别能力,从而提高模型的泛化能力和辨识材料实体词的综合水平。实验表明该方法能够有效降低训练语料带来的模型偏侧化问题,并提高模型对于通用语言结构的学习能力。