随着计算机网络的飞速发展,各行各业产生大量庞杂的数据,由于商业领域其本身的时效性、特殊性、敏感性等特点产生的数据量更是不容小觑。在产生大量数据的同时,由于隐私保护相关法律和意识的缺失以及不法分子非法窃取等问题,导致当前大环境下商业领域敏感信息问题频发。由于商业领域中信息错综复杂,难以人工进行敏感信息识别保护。而BERT模型可以结合文本的上下文信息,并且可以解决中文表达中一词多义的问题,不仅有效的节省了人工成本而且能够用时更短、效果更优的完成识别任务。因此基于BERT模型的商业领域敏感信息识别方法研究具有重要的研究价值与实践意义。首先,针对课题背景以及研究意义,命名实体识别技术可以从可能包含关键词的信息载体中识别提取特定实体类型,而由于中文的语言在间断、语法等特性上与英文有着很大的不同,因此深入了解了当下中文领域中命名实体识别技术发展趋势以及解决此类问题主流模型,同时探讨了传统方法的瓶颈与困难,并在此基础上提出了改进的方法和思路。其次,详细了解了法律层面定义的商业领域中常规出现的敏感信息,并且研究了敏感信息类别、表现形式等,详细讨论了敏感信息感知的必要性并且分析敏感信息对整体文本的影响因素。鉴于中文语法的特殊性,所以识别过程中会出现一词多义、语义提取困难以及非结构化文本不固定等问题。着眼于此类问题,本文从数据类型底层出发,经过数据采集与数据预处理流程,运用命名实体识别手段,构建了整体敏感信息识别框架。最后,在深入了解传统模型优缺点的基础上,引入了BERT预训练模型。有效解决传统词嵌入模型无法表示一字多义的问题。利用BiLSTM以及CRF与SPAN等解码模型弥补了BERT模型只能捕捉上下文特征的缺陷,可以对BERT输出结果进行修正,提高整体识别准确率,因此形成了BERT-BiLSTM+CRF模型、BERT-CRF与BERT-SPAN模型。并在此基础上将BERT-CRF与BERT-SPAN模型进行异构融合之后实现了BERT-CRF+BERT-SPAN模型。依照实验成果发现,本文设计的整体模型识别效果表现出色,证明本文提出的基于BERT模型的敏感信息识别模型具有重要意义。