命名实体识别是自然语言处理领域的基础任务之一,是信息抽取、机器翻译、智能问答、语义分析等下游任务实现的前提,在自然语言处理技术走向全面化应用的过程中占有重要地位。目前命名实体识别对象可分为嵌套命名实体和非嵌套命名实体,基于深度学习的命名实体识别方法主要针对非嵌套命名实体识别展开研究,忽略了嵌套命名实体中蕴含的语义关系和结构信息,因此如何准确地识别嵌套命名实体亟待更深入地研究;对非嵌套命名实体识别的研究主要利用词粒度信息提升识别效果,但存在过度依赖词典、忽略单个分词工具产生的误差传递等问题,进而导致方法领域移植能力较差、识别效果不佳。因此,开发能够高效准确识别命名实体的算法仍是一项富有挑战性的工作。本文主要研究通用领域与网络安全领域的命名实体识别方法,根据命名实体不同的结构特性,分为嵌套命名实体与非嵌套命名实体,从分层区域穷举与注意力机制两个层面出发,有针对性地提出识别精度高、领域移植性强的命名实体识别算法,主要研究内容及贡献如下:（1）针对常规的命名实体识别方法无法识别出具有嵌套结构的命名实体,导致文本中细粒度语义及结构信息缺失,命名实体识别整体准确率不高的问题,提出一种分层区域穷举的中文嵌套命名实体识别方法。利用多层卷积神经网络递归编码候选实体的区域表示破解多标签分类难题,通过分层解码预测标签的方式减缓层迷失与错误传播,同时提高方法的识别性能。由于中文嵌套命名实体识别任务目前缺少被广泛认可的数据集,结合自动生成及手工标注方法构建新的中文嵌套命名实体识别数据集NEPD。在该数据集上的实验结果表明,分层区域穷举的嵌套命名实体识别方法能够捕捉嵌套命名实体内部与外部信息的关联关系,有效的缓解了层与层之间的错误传播对识别结果的影响。（2）针对融合词粒度信息的非嵌套命名实体识别方法中过度依赖词典、忽略单个分词工具产生的误差传递等问题,提出一种融合多源分词信息的命名实体识别方法。通过聚合多源分词结果的方式减缓分词错误,利用词对齐注意力机制编码分词特征,通过B、M、E、S标签分类融合分词特征避免信息损失,从而保证在不依赖词典的情况下利用词粒度信息实现有效的命名实体识别。在公开数据集上实验表明,与同类方法相比,具有良好的词粒度信息捕获能力,能够有效减缓分词错误对命名实体识别效果的影响。此外,为了验证所提方法可以有效解决专业领域缺乏词典,无法有效利用词粒度信息提升识别效果的问题,面向网络安全领域展开研究。实验结果表明,所提方法与基础算法相比,在精确率、召回率、F1值指标下,均具有更优的网络安全实体识别性能。