命名实体识别（Named Entity Recognition,NER）是自然语言处理工作中的一项基础任务,其目标是在待处理的文本中识别出具有特定意义的单词或者短语。命名实体识别是许多下游任务的关键前置任务,如关系抽取、共指消解、文本分类等任务,命名实体的质量会极大影响这些任务的效果。当前流行的命名实体识别模型主要是基于序列标注的深度学习模型,这些模型受限于马尔科夫假设,导致神经网络仅学习到标签之间的依赖,无法充分发挥模型学习完整文本序列的能力,同时序列标注结果的容错率较低,序列标签也难以与下游任务联合训练。针对以上问题,本文提出第一个创新点:借鉴计算机视觉领域中一阶段目标检测模型的相关知识,充分利用实体的连续性,提出了一种新的命名实体识别方法:整体搜索法。整体搜索法把实体的所有构成单词当作一个边界共享、类型相同的整体,将命名实体识别任务解耦为两个子任务:实体词识别任务和边界搜索任务。实体词识别任务旨在识别出待处理文本中的实体词,边界搜索任务负责为所有实体词搜索实体边界。基于整体搜索的识别方式,本文设计了实体搜索模型（Entity Search Model,ESM）。本文还提出了另外两个创新点:提出了一种局部引导的多头注意力机制（LocalGuided Multi-Head-Attention,LGA）,以及一种拥有多尺度感受野的卷积神经网络结构,边界卷积块（Boundary Convolution Block,BCB）,分别用于构建ESM模型的实体词识别模块和边界搜索模块并学习两个子任务。两个模块共享部分模型参数,通过多任务学习的方法进行训练。为了验证本文提出的整体搜索法和ESM模型的有效性,本研究在公开的Co NLL2003英文数据集和Onto Note5.0英文数据集上进行了详细的实验与分析,并通过和现有工作进行对比验证了整体搜索法的可行性和ESM模型的优越性,同时还在中文基准数据集Resume和Onto Note4.0上进行了实验,验证了ESM模型的迁移性。本文通过对实验结果进行分析,还发现了ESM模型的输出特征中蕴含了单词和实体之间的依赖和联系,可以为下游任务提供更多潜在的信息。