研究表明,基于深度学习的命名实体识别模型的性能通常取决于训练数据的质量。在某些特定的领域,对数据进行标注通常需要标注人员具备一定该领域的相关知识,这极大地增加了标注数据的难度,所以在这些特定的领域可用于训练的标注数据相对来说比较少。为了快速获得训练数据,通常可以利用远程监督来自动标注数据,但由于词典等知识库的覆盖范围有限,远程监督产生的数据中通常包含较多的噪声数据。此外,即使是人工标注的数据集,由于实体数量和种类的繁多,也会有一部分的实体被标注人员忽略,从而未被标注其相应的类别标签,这些未标注的实体同样也是一类噪声数据。针对训练数据中存在噪声数据这一问题,本文展开了如下研究。（1）为了缓解远程监督所带来的噪声问题,本文提出了一个基于强化学习和对抗训练的命名实体识别模型。首先,为了得到一个具备一定分类能力的判别器,本文结合强化学习机制设计了一个实例选择器,并用其初步过滤远程监督所产生的噪声数据,从而挑选出正确标注的实例来训练判别器。其次,为了进一步过滤远程监督产生的噪声数据,本文设计了两个关键的组件:判别器（Discriminator）和生成器（Generator）,这两个组件在对抗训练机制的影响下对远程监督产生的噪声数据进行过滤,并在训练的过程中将不可靠集中的可靠实例划分到可靠集中。最后,本文将结合强化学习机制在更新后的数据集上重新训练一个判别器,以增强其分类能力。在两个公开数据集（EC和Species800）上的实验结果显示,本文提出的模型的性能要优于基于强化学习的命名实体识别模型,能较好地对远程监督所产生的噪声数据进行过滤。（2）针对训练数据中存在未标注实体这一噪声问题,本文提出了一个基于负采样和强化学习的命名实体识别模型。首先,为了降低计算成本,本文采用负采样策略随机挑选一部分跨度作为候选跨度集,由于负采样的过程是随机的,候选跨度集中会存在部分未标注的实体。其次,为了减轻未标注实体对模型的影响,本文结合强化学习机制设计了一个跨度选择器对候选跨度集中的未标注的实体跨度进行过滤,并将挑选出来的正确标注的实体跨度作为负样本。最后,本文将会使用从候选跨度集中挑选出来的跨度作为负样本以及数据集中已经标注的实体跨度作为正样本来共同训练跨度分类器。在三个公开数据集（BioNLP11EPI、BioNLP13CG和BioNLP13GE）上的实验结果显示,本文提出的模型的性能要优于负采样模型,能较好地对未标注实体跨度进行过滤。