当前信息时代环境下,作为信息载体的数据其规模不断扩大,在海量的文本数据描述中,蕴含了大量的地理命名实体名称。随着自然语言处理技术的发展,从文本数据中获取领域目标信息的技术也逐渐成熟。自然语言是人类对于地理世界认知结果的重要表现形式。如何从非结构化的文本数据中获取地理实体信息是当前地理信息科学遇到的难题之一。地理命名实体在自然语言描述中一般是描述表达的主体中心,如同句子的主语一样,因此获取到文本中的地理实体名称是获取对应地理信息的关键。随着中文命名实体识别的技术的成熟运用,实现地理命名实体识别任务的需求也逐渐被提出。地理命名实体识别技术是从文本数据中获取地理实体信息的基础。本文在当前使用广泛的自然语言处理模型BERT（Bidirectional Encoder Representation from Transformers）模型的基础上,结合长短期记忆模型（Long Short-Term Memory,LSTM）和随机向量场模型（Conditional Random Fields,CRF）的特点,实现了从非结构化的文本数据中识别地理命名实体名称,主要研究内容包括:（1）首先按照中文命名实体识别原理,使用基于规则匹配和统计的识别方法对实验数据进行命名实体识别研究。分析地理命名实体在中文描述表达特征,根据地理实体名称的特点来设计文本表示的转化方法,并总结地理命名实体识别任务的步骤和需要解决的问题,为使用深度学习方法进行地理命名实体识别任务提供算法原理选择依据。（2）针对传统命名体实体识别方法依赖于外部知识库和人工参与处理过程的问题特点。本文使用了目前较为流行的深度学习模型BILSTM和CRF相结合的基准模型,将实验数据以字符的形式输入到BILSTM模型中,对字符进行token标记,通过随机向量场模型进行字符之间的依赖关系分析,最后得到符合现实结果的最优序列标签。通过实验验证,基于BILSTM和CRF模型进行地理命名实体识别可以有效的提高从文本数据中获取地理实体名称的准确率和召回率。（3）针对使用BILSTM进行地理命名实体识别任务过程中存在的字符转向量时特征表达相对单一化,不能表征文字字符的准确词意的问题。本文使用BERT+BILSTM+CRF模型,从上下文字符信息获取语义向量,从而实现地理命名实体识别任务。实验证明,该方法在地理命名实体识别的过程中,取得了94.60%的准确率、92.46%的召回率和97.52%的F1值。对比目前存在的地理命名实体识别方法,其效果更佳,证明了使用深度学习方法进行地理命名实体识别的有效性。