随着网络文本信息容量的不断提高,快速且高效地识别出这些文本中所包含的实体信息,对各行各业都具有很重要的意义。命名实体识别是自然语言处理的基础任务之一,对信息抽取、文本分类、对话系统和机器翻译都具有非常重要的影响。探索高效的命名识别方法,成为学术界和工业界关注的热点问题。本文主要针对英文和中文命名实体识别(NER)进行相关的研究,主要研究内容如下:1)本文提出一种基于S-LSTM构建了英文NER新的上下文词状态与句子状态表示模型。之前大多数模型只依赖LSTM获得词特征,其存在明显的不足。例如,当前的隐层状态计算依赖之前状态,无法进行信息的全局交换,并且这限制了模型的并行计算效率。S-LSTM每一步都对所有词的隐含状态进行建模,同时执行单词之间局部与全局的信息交换。因此,我们基于S-LSTM构建了英文NER新的上下文词状态与句子状态表示模型,可以增强每个词的全局信息表示。在英文CoNLL2003、PTB和CoNLL 2000 chunking数据集上进行实验,验证本方法的有效性。实验结果表明本方法均优于基准模型。2)本文提出一种基于句子语义与Self-Attention机制的中文和英文NER模型。不管是中文和英文实体识别,大多数模型获得的词特征的句子语义信息仍然很弱,并且句子的全局依赖也比较弱。因此,我们通过将上下文词表示与句子表示进行拼接,使得每个词能获得丰富的语义信息,通过利用Self-Attention机制可以直接捕捉句子中任意两个词的长距离依赖,更好的捕捉整个句子的全局依赖。所提出的模型不仅适用于英文数据集,同时也适用于中文数据集。在英文CoNLL2003数据集和中文微博数据集上表明,本方法所取得的实体识别效果均优于基准模型。3)本文提出一种融合了拼音嵌入与五笔嵌入的中文NER模型。中文实体识别方面,之前大多数模型只单纯的基于字输入,忽略汉字的语音与结构特征,因此,我们提出了一种融合了拼音嵌入与五笔嵌入的中文NER模型。汉字的拼音与其语义高度相关,拼音提供了所需的额外语音和语义信息,此外,大量的汉字是象形文字,五笔提供了额外的结构特征,有利于找到潜在的语义关系以及单词边界。在中文微博数据集和中文简历数据集上表明,本方法所取得的实体识别效果均优于基准模型。