在移动互联网迅猛发展的今天,网络上每天产生的大量非结构化数据需要命名实体识别等信息抽取技术去提取其中的有效信息。命名实体识别（Named entity recognition,NER）任务的目的是识别出文本数据中特定类型的实体名称,其识别结果影响着关系抽取、文本理解、自动问答等下游自然语言处理任务的效果,因此具有非常重要的研究价值和意义。深度学习理论和技术的发展推动着命名实体识别的进步,已有研究表明,多任务学习能够在一定程度上提高深度学习模型的性能,但是经典的命名实体识别模型都只有实体识别这个单一的学习优化任务。通过研究发现在很多实体识别数据集中都存在很多不包含实体的样本,为此设计了判断样本是否包含实体的二分类任务,并且在此基础上提出了基于多任务学习的中文命名实体识别模型。该模型将判断样本是否包含实体的二分类任务的损失函数和命名实体识别任务的损失函数加权融合在一起,然后对两个任务同时进行优化。本文在Bi-LSTM和Transformer两种特征编码模型上进行了实验,实验结果表明,本文提出的基于多任务学习的命名实体识别方法在两种特征编码模型上均优于基线模型。中文不存在词语分割边界的语言特性,导致中文命名实体识别任务中会出现实体边界错误分割的问题。考虑到命名实体识别任务是一个依赖于外部知识的任务,通过引入包含词边界特征的词典信息等外部知识可以帮助提高模型的实体边界的识别能力,因此本文提出了融合词典信息的中文命名实体识别模型。该模型将词典中匹配到的词语根据字的位置信息分为四类并计算每一类词语的加权词向量,然后使用注意力机制将包含词边界信息的加权词向量融入到初始字向量中,这样能够增强字向量中的词边界信息和位置信息。本文在静态字向量和BERT预训练字向量上进行了实验,实验结果表明,融合词典的实体识别模型能够在一定程度上解决实体边界错误分割问题,提高命名实体识别的性能。