随着信息时代的发展,互联网带给人们生活便利的同时,也产生了海量的数据。在数据爆发式增长的趋势下,如何处理海量的非结构化数据,抽取有效信息成了当下最为重要的问题。而命名实体识别技术可以从海量文本数据中提取关键实体信息。因此,命名实体识别任务起着至关重要的作用,具有极高的应用价值与研究意义。近年来,随着计算机硬件条件的提升,GPU的发展十分迅猛。在充足的算力面前,深度学习的应用越来越广泛。在没有计算能力的限制下,深度学习的效果越来越好。面对海量的文本数据,深度学习技术可以从中自动提取有效特征信息,避免了人工提取特征。本文利用深度学习方法开展命名实体识别任务,主要工作与贡献体现在下述三个方面:第一,标注中文命名实体识别数据集。本文实验数据来源于《人民日报》标注语料库（PFR）和微软亚研院（MSRA）命名实体识别语料。两种数据集均为已经标注好词性的语料,如:人名、地名、组织机构名标注为nr、ns、nt。本文将数据集的词性转换为BIO标签,采用BIO和BIOES两种标注形式对两种不同的数据集进行命名实体识别任务研究。第二,构建了IDCNN-CRF命名实体识别模型。在命名实体识别领域,卷积神经网络用来捕获文本的局部信息。除此之外,随着卷积神经网络层数的加深,网络参数以指数级别加深。针对此问题,本文构建了一种基于膨胀卷积神经网络（IDCNN）的命名实体识别模型。由于IDCNN没有池化层,该模型避免了卷积时上下采样导致的数据丢失,同时增大了感受野,以提取更加广阔的全局特征,有效的解决了长距离句子的上下文依赖关系。接入CRF,利用CRF中的状态转移矩阵,对文本输出序列的概率规则进行学习,计算得到最佳的输出序列标签。本文采用不同的参数对IDCNN-CRF模型做了大量的实验,确定了一组最优的实验参数配置。在两种不同的数据集中取得的F1值比基线模型CRF得到的F1值分别提升了10.4%和11.41%,比LSTM-CRF模型分别提升了5.16%和8.34%。与Bi LSTM-CRF模型相比,效果提升了0.38%和2.07%,并且在训练时间上缩短了近30%,明显提高了运行效率。第三,构建了基于BERT-Bi LSTM-CRF的命名实体识别模型。Bi LSTM网络可以提取上下文信息,但是不能对多义字进行表征,针对此问题,本文在Bi LSTMCRF的基础上,引入了BERT预训练词向量。具有双向Transformer编码的BERT词向量通过Mask语言模型有效的解决了多义字表征问题,能够提取词级别和句子级别的特征信息,极大的增强了句子的语义表示能力。本文用BERT预训练词向量替代了传统词向量表示,为CRF提供了强健的语义表示信息。在《人民日报》数据集和MSRA数据集的中文命名实体识别任务中,与基线模型CRF相比,BERT-Bi LSTM-CRF模型取得的F1值提升了15.31%和16.04%。与LSTM-CRF模型相比,提升了10.07%和12.97%。BERT-Bi LSTM-CRF模型的F1值比Bi LSTMCRF模型高出5.29%和6.7%,比IDCNN-CRF模型高出4.91%和4.63%。