命名实体识别是自然语言处理的关键技术之一,可以有效识别信息中各种类型的实体,同时也为其他下游任务提取主要信息奠定了一定的基础。传统的命名实体识别方法主要包括基于人工设定规则的方法、以聚类为主的无监督学习方法和基于特征工程的有监督学习方法。这些方法对人工设计规则或特征提出了很高的要求,而且面对新的数据集或领域,原来的模型往往无法直接迁移。基于深度学习的命名实体识别模型可以自主发现任务所需特征,而且相比传统方法,模型识别效果也有了很大提升。但是,基于深度学习的命名实体识别方法同样存在不足:一是大多数研究仅利用单一的词特征用于模型训练,而忽略了其他语义特征对于增强模型识别能力的重要性;二是部分研究者利用同一个字在整个文档中产生的上下文信息辅助模型预测,但是这些研究忽略了当前字的其他上下文表示是否有利于当前模型训练的问题。本文针对上述两个问题提出了改进,具体如下:第一,针对词特征单一的问题,本文提出了基于注意力机制的多特征命名实体识别模型。首先将初始化字符向量与每个单词的长度向量和该单词中每个字符的位置向量相连接作为CNN的输入提取特征。其次,通过注意力机制融合词缀特征以及多任务学习到的词性特征提升命名实体识别的效果。第二,针对如何有效利用同一个字在文档中的上下文信息,本文提出了基于注意力机制的文档级中文命名实体识别模型。首先,我们利用标签嵌入向量对文档中的信息进行分类。其次,根据分类的信息与目标标签向量之间的余弦相似度构造注意力矩阵。最后,利用注意力矩阵与选中的上下文信息计算文档级特征用于模型预测。本文对所提出的模型在不同数据集上进行了实验分析。对于多特征的模型,实验结果表明该模型在CONLL-2002西班牙数据集、CONLL-2003英文数据集和Ontonotes5.0英文数据集上分别获得了有竞争力的F1分数。在文档信息选择的实验中,结果表明该模型在两个中文数据集MSRA和Resume上分别获得了有竞争力的结果。