司法领域的中文命名实体识别是对裁判文书中的各类实体进行准确地识别,是司法人工智能领域后续应用的基础性工作。由于司法标注语料的严重匮乏以及法律文本独特的行文特点限制,国内对于此方面的研究相对较少。本文对裁判文书的行文特点进行分析,并结合深度学习方法针对司法领域的中文命名实体识别任务展开研究。主要的工作内容如下:（1）针对司法领域公开标注语料缺失的问题,人工构建了一个基于裁判文书的命名实体语料库Legal-NER。从中国裁判文书网获取生语料后进行预处理,对语料进行行文特点分析,设计合理的实体标注规范。将“YEDDA”工具二次开发后进行多轮迭代标注工作,最后对Legal-NER语料库进行质量分析与数量统计,语料库包含6189个句子和19806个实体,标注一致性为0.97。（2）提出了一种词汇增强的中文命名实体识别模型。考虑到词汇所蕴含的语义表达和词边界信息,本文在字粒度的命名实体识别模型基础之上,提出了一种基于自适应嵌入范式的词汇增强方法。该方法通过匹配领域词典,构建多个以字符所在词汇的不同位置作为划分的词集合,再将词集合以基于词频统计的方式进行压缩与向量化,最后利用注意力机制将词汇信息有效整合到字表示中,达到词汇增强的目的。模型选用BiLSTM作为编码器,输入CRF层进行标签预测。经过实验验证,该模型相比于字级别的BiLSTM-CRF基线模型在查准率、查全率和F1值方面均有所提高。（3）提出了一种多特征融合的中文命名实体识别模型。针对中文文本“字词表征单一、语义信息匮乏”的问题,本文提出了一种融合多特征的词嵌入表示方法。考虑到预训练语言模型能够学习到更丰富的语义信息,并且具有强大的泛化能力,因此本文使用BERT替代Word2vec生成字向量。汉字的拼音与其语义高度相关,能够提供额外的语音和语义信息,因此本文提出了一种压缩字母表表示法表征读音信息,与词向量融合后进一步实现对词汇信息的读音增强。考虑到五笔可以体现汉字的字形结构特征,因此本文使用CNN处理汉字的五笔编码序列,提取汉字的五笔字形特征,有效地丰富了汉字字符的信息表示。将BERT字向量、读音增强词向量和五笔字形向量拼接融合后作为向量表示层,后续结构使用BiLSTM+CRF模型实现上下文特征提取与标签解码功能。在实验部分,通过消融实验验证了各个模块的有效性,相较于BiLSTM+CRF基线模型在F1值上的提升为6.67%,查准率、查全率和F1值分别为90.60%、91.77%和 91.18%。