命名实体识别作为文本数据处理中一项关键且基础的工作,其任务是识别出待处理文本中各个代表具体实际意义的实体。命名实体识别是关系抽取和事件抽取等高层任务的关键,也是文本分类和问答系统等应用的基石。命名实体识别的准确度将直接影响后续工作的效果。传统命名实体识别方法需要大量手工标注及特征提取,针对这个缺陷,本文探索自动化完成命名实体识别的新方法,构建了一种基于双向长短时记忆网络(B-LSTMs)的新模型。通过无监督训练得到分布式特征向量,将添加额外特征的分布式向量输入到B-LSTMs网络中发现词语的深层特征,最终通过分类器输出命名实体类别。通过大型语料库训练的B-LSTMs网络模型进行命名实体识别任务得到最佳F值为92.47%。实验结果表明,该方法综合了上下文信息等因素,具有不错效果。针对B-LSTM网络方法需要顺序读入整个文本,只能单线程训练的问题,本文构建了一种基于迭代空洞卷积网络(ID-CNN)的命名实体识别模型。该模型兼顾CNN并行化及RNN上下文理解广度,可以实现在GPU环境下的并行化加速。在损失可接受范围的F值的情况下,该模型比B-LSTMs模型训练速度提高三倍左右,命名实体识别任务最佳F值为90.82%。实验结果表明,模型具有较快的响应速度、较高的准确率和召回率。本文利用B-LSTM和ID-CNN对神经网络语言模型进行了扩展,提出了两种性能略优于其他方法的新型深层模型,具有一定的使用价值。该研究为解决其它同类型标注问题提供了新思路。