信息抽取是自然语言处理领域的一个重要研究分支,而命名实体识别则是信息抽取技术中的关键核心问题,其作为机器翻译、句法分析等众多下游任务的基础工具,对自然语言处理技术走向实用化具有重要意义。近年来,随着深度学习技术的快速发展,基于深度学习的命名实体识别模型层出不穷,虽然命名实体识别性能不断被提升,但上述方法也存在诸多不足:（1）当前多数方法采用双向长短期记忆网络（Bi-LSTM）作为上下文编码器,但基于RNN的模型采用对序列进行顺序处理的建模方式,不利于模型捕捉词语间相互依赖的关系特征,从而导致模型对上下文依赖的细粒度建模能力不足;（2）已有方法通常仅针对句子级文本数据建模,而忽略了文档级文本数据中存在的全局信息,即同一实体在不同句子中的上下文表示,从而导致学习到的实体向量信息表示不足。因此,将命名实体识别任务建模为句子级序列标注问题存在一定局限性。本文针对上述问题,主要完成以下研究工作:1.针对Bi-LSTM在建模序列上下文依赖性方面存在的局限性,提出一种位置感知自注意力机制,将序列元素间的相对位置信息引入注意力分数的计算过程,从而更加合理有效地建模序列的上下文相关性,并进一步提出基于门控机制的上下文融合网络,以细粒度方式动态选择对当前词语有用的上下文信息。2.针对现有模型将单个句子作为输入的局限性,提出一种基于全局信息的文档级命名实体识别模型。依据词语的重复出现信息构建文档图,并借助图神经网络作为编码器获得词语更丰富的上下文表示,并进一步提出两种策略以缓解噪声问题。在句子级别,提出一种跨句编码模块,建模当前句子外更广泛的上下文信息。3.在Co NLL2003和Onto Notes5.0两个数据集上进行的实验结果表明,本文提出的两个模型超过所有基线方法。通过对比实验发现,将相对位置信息合理有效地引入自注意力机制可改善模型性能;实验结果也证明了在单词和句子级别上充分利用文档级全局信息对模型性能的改善,以及按不同权重聚合邻居节点信息并过滤噪声信息的重要性。