近年来,随着我国高等教育的迅猛发展,大学毕业生也日益增多。尽管就业岗位的数量在不断增加,但我国劳动力市场的供需失配的结构性问题依然非常严重。如今,随着互联网的普及,网络招聘成为企业招聘人才的主流方式。招聘信息中列出的技能词为实时、准确地了解企业对人才的需求提供了可能。本文将技能词抽取任务转化为序列标注问题,借鉴了命名实体识别或者术语抽取的方法。然而,由于中文的语义和上下文情形的复杂性以及手工标注成本昂贵,从招聘文本中自动抽取技能词并非易事。目前,深度神经网络已成为解决序列标注问题的主流方法。但是,这类方法专注于领域内监督学习,需要大量带标注的数据。对于网络招聘数据而言,由于人工标注既费时又昂贵,只能依靠领域专家手工标注少量语句。其次,这类方法完全依赖于神经网络进行特征提取,忽略了领域内的语料特征,没有充分利用到领域知识。另外,针对缺乏足够标注数据的困难,更好的方法应该采用迁移学习,借助其他领域中有标注的数据帮助提升技能词的抽取性能。而现有的基于深度学习的迁移方法需要源域和目标域具有相同的标签集或相同的标签含义,以及如何将从源域学到的知识迁移到目标领域也是一个挑战。因此,针对上述不足与困难,本文开展了两个研究:（1）本研究以序列标注的经典模型Bi-LSTM-CRF（Bidirectional Long Short Term Memory-Conditional Random Field）为基础。为了能够充分的利用领域知识,在它的输入层中加入语料特征,并将输入层的输出与Bi-LSTM层的输出进行拼接作为CRF层的输入。大量实验的结果表明了本研究的技能词抽取方法的合理性,加入的语料特征能有利于提升技能词抽取的准确率。（2）针对缺乏足够的标注数据的困难,本研究提出了一种跨领域迁移学习的技能词抽取方法。它首先将源域语料库分解为三个子源域,然后在Bi-LSTM层和CRF层之间插入一个域自适应层,以帮助将每个源域中学到的知识迁移到目标域。再使用参数迁移方法来训练每个子模型。最后,通过多数表决得出最佳标记序列的预测。大量实验的结果说明了本研究方法的合理性,可以缓解人工标注数据的稀缺性。本文工作的创新点如下:1)提出了一种基于深度学习与语料特征相结合的中文网络招聘文本中的技能词抽取的算法;2)提出了一种基于跨领域迁移学习的中文网络招聘文本中的技能词抽取算法;3)建立了IT类行业的招聘文本语料库。