随着经济的全球化发展和互联网的快速普及,大量的货物流动、疫情疾病的防控、食品及卫生安全等信息上传到互联网平台中,检验检疫部门需要通过这些信息来抽取关键内容,采取对应的行动。命名实体识别是信息抽取的重要组成部分,在检验检疫信息抽取领域,产品实体名称作为信息的主要对象,也是实际应用中命名实体识别的重点。中文产品实体自身无明显词语分界且结构复杂、包含范围广泛,这些特点都增加了识别产品实体的难度。因此,在检验检疫领域中如何快速准确地识别出中文产品实体,具有重要的研究意义和实际应用价值。针对中文命名实体识别技术,本文进行了以下几个方面的研究:提出了一个特定领域的中文命名实体识别的框架。该框架包含半自动化语料库构建和中文命名实体识别模型两大模块。半自动化的语料库构建基于互信息和左右熵的短语提取算法来进行无监督的短语识别,建立候选实体集。中文命名实体识别模型模块基于神经网络与条件随机场模型的框架进行实体识别。提出了基于词格长短时记忆网络结合条件随机场模型进行中文产品实体识别的方法。本文结合不同的神经网络和条件随机场组成混合模型,将IDCNN+CRF,BiLSTM + CRF和Lattice LSTM + CRF三种实体识别模型,在 MSRA、Boson、人民日报语料、中文简历4份数据集上进行了对比实验。探索了在不同领域数据集上各模型识别中文命名实体的性能。在检验检疫领域实现了中文命名实体识别框架的构建与应用。基于互信息和左右熵的短语提取算法实现了标注语料的半自动化构建,基于词格长短时记忆网络和条件随机场模型实现了中文产品实体的识别。对比传统人工特征+CRF、BILSTM+CRF模型的实验结果,Lattice LSTM+CRF模型表现出了更良好的性能,同时也证明命名实体识别框架的可行性与有效性。