命名实体识别是自然语言处理中一项基础性研究任务。传统方法使用浅层序列标注模型(如:隐马尔科夫、条件随机场)对每个字输出一个分类标签,分别表示实体的“开始”,“后续”和“外部”(B-I-O编码)。序列模型通常采用动态规划算法输出一条概率最大的标注路径。由于传统命名实体识别主要针对单个句子进行处理,所以上下文特征稀疏问题非常严重。另外,输出一条概率最大的标注路径无法识别嵌套的命名实体。为了识别嵌套的命名实体,相关研究大多采用级联模型:先产生候选实体,再进行分类。级联模型只能对每个阶段进行优化,无法获得全局最优,而且容易产生级联失效(Cascading Failure)的问题。针对命名实体识别特征稀疏和嵌套实体识别困难的问题,本文提出了一种基于深度边界组合的模型(NNBA)。NNBA在边界组合算法的基础上,构建了基于BERT的级联模型。该模型采用基于Bi-LSTM-CRF的序列标注算法识别命名实体的开始边界和结束边界,通过边界组合后产生候选命名实体,最后采用MultiLSTM模型进行实体筛选。由于BERT能够利用外部数据自动获取词的抽象语义表示和上下文依赖,NNBA能够有效解决浅层学习模型面临的特征稀疏问题。在ACE2005中文数据集上的F1值达到了90.12%,超出对比方法17%。针对级联模型的缺点,本文在NNBA的基础上提出了端到端的边界回归模型(BR)。该模型借鉴了图像目标检测领域的算法思想,结合线性文本序列和命名实体识别的特点,采用了线性采样算法和边界回归算法。通过端到端的方式构建了基于神经网络和边界回归算法的多目标学习框架,在预测文本边框分类标签的同时,对其位置进行预测,可以更有效利用标注数据中的监督信息。BR模型在ACE2005中文数据集上取得了良好的性能,F1值达到了89.30%。