信息化时代,源源不断产生的数据,形成一个庞大的非结构化数据仓库,同时也为科学技术的发展提供丰富的研究资源。一直以来,如何高效地从海量的数据中获取有价值的信息,这一讨论备受学界关注,人们亟需一种智能化的文本处理技术。此时,自然语言处理应运而出,在处理非结构化数据中发挥着重要的作用。作为自然语言处理任务之一的命名实体识别（Named Entity Recognition,NER）,是当前热门的机器翻译、问答系统的核心技术,其识别准确率对自然语言处理的下游任务效果起着决定性作用。NER作为自然语言处理中关键性的上游任务,前期的研究主要是基于英文开展。当前英文NER研究趋于成熟,但是中文NER的效果仍有很大提升空间。在自然环境这个专业领域,目前还没有相关实体词典和公开标注的数据集发表,无法进行后续的研究;而它作为中文NER任务,因本身语言特点,识别难度远大于英文;而且因自然环境领域实体复杂,套用通用领域的神经网络模型效果较差,准确率和F1都有待提高;中文文本存在一词多义实体难以被识别,这一现象也大大降低识别准确率。基于以上问题,本文结合专业领域的工程实际应用,将深度学习方法应用于自然环境领域中文NER的研究,主要的工作和贡献如下:（1）自然环境实体数据集构建。不同领域的NER任务需要建立在该领域的专业词典和语料库上,而当前没有自然环境相关实体定义和公开标注的数据集发表。本文给出一种自然环境实体数据集的构建方法,首先,基于国家环境保护局、中国环境科学学会等机构发布的相关文件资料,人工整理出自然环境相关词典;然后,基于Python编程采用Request、Selenium、Scrapy三种爬虫方法,获取12个网站的自然环境数据,并将数据暂存于txt文件中,使用jieba分词工具,结合自定义的自然环境领域词典和哈工大停用词词典,进行初步数据切分工作;最后,结合智能标注和传统的人工标注法,借助辅助标注平台YEDDA,采用BIO标注方式对总结出的6种实体进行标注,从而构建一个完整的自然环境实体数据集,用于后续的模型对比实验。（2）构建基于BiGRU（Gated Recurrent Unit,GRU）的命名实体识别模型。针对神经网络在特征提取时,向量单一和向量不足的问题,提出一种融合注意力机制的CNN-BiGRU-CRF模型。在特征提取阶段将CNN提取的前后缀特征向量和预训练得到的词向量、词长向量和词性向量拼接成特征向量组合,将BiLSTM替换为模型复杂度较低的BiGRU,提高训练效率,在BiGRU输出后加入Attention机制,给输出序列分配不同权重,提高识别效果。在4个不同领域的数据集上进行对比实验,包括One Notes、Resume两个公共领域,以及产品质检（Product Quality Inspection,PQI）和自然环境两个特定领域。实验结果表明该模型在准确率、召回率和F1值均达到最高值,优于其他模型。（3）构建基于ELMO的命名实体识别模型。在CNN-BiGRU-CRF模型改进的基础上,针对主流的Word2vec模型不能很好解决一词多义的实体识别这一问题,在预训练阶段引入ELMO（Embeddings from Language Models,ELMO）模型,通过ELMO获取词语的动态向量,在多次实验的基础上得到结论,当ELMO特征向量维度为35时,动态向量和CNN提取的字符级别特征向量拼接,可以使模型达到最优效果。在PQI数据集和自然环境数据集的实验结果表明,相较于使用Word2vec词嵌入法,在各个数值上均有提高。最后,本文对自然环境数据集中每个实体的识别效果进行分析,验证了数据集的有效性和模型改进的效能。