命名实体识别（NER）旨在找出文本中的命名实体并对其分类,是自然语言处理（NLP）领域中的关键任务,是问答系统、机器翻译等多种自然语言处理技术必不可少的组成部分。在实际的应用场景中,带标注训练样本的匮乏是一个不得不面对的难题,因此针对小样本学习的命名实体识别是一个十分重要并亟待解决的问题。随着大量的国内外对命名实体识别任务的不断探索与研究,目前有许多结合了神经网络强大特征提取能力与条件随机场学习标签间关联信息能力的命名实体识别方法,在很多实验与实际应用中证明了这类神经网络加条件随机场方法的有效性。而且近年来随着基于大规模语料训练的预训练语言模型BERT的提出,基于BERT微调的方法也在命名实体的识别任务上带来了不少的提升。但是目前还少有针对小样本的命名实体识别的研究。针对小样本场景下的命名实体识别任务,提出一种面向小样本学习的中文命名实体识别算法。通过对当前有效的命名实体识别方法和小样本学习方法的探究与总结,提出一种基于元学习的命名实体识别算法。该算法内包含学习器和元学习器两个部分:元学器旨在通过元优化学习出一个好的学习器的初始化参数,从而实现学习器在小样本数据的训练过程中能够快速、有效地拟合数据,达到较好的实体识别效果;学习器采用基于原型网络的实体识别模型作为学习器用于对小样本数据的实体分类,其中引入自注意力机制计算字符序列的特征向量,使属于同一类实体的字符具有相似的特征向量。学习器中还采用了可学习的、与任务相关的度量方法,使得实体识别模型能够根据不同的任务自适应学习分类空间,从而更好地对新的小样本任务进行识别。在三个真实的数据集上进行了大量实验,通过与目前应用最广泛且最有效的命名实体识别算法的对比,该算法在解决小样本问题上有着明显的优势,在准确率、召回率和F1值评价指标上均优于其他算法。