命名实体识别作为自然语言处理领域的基础任务,被广泛应用于知识图谱构建、信息抽取和对话理解等下游任务。近年来,随着深度学习的迅速发展,基于神经网络模型的命名实体识别方法取得了长足的发展。然而,深度学习方法往往依赖于大量标注数据,且人工标注费时费力,导致其在低资源场景中的表现受限。在实际应用中,命名实体识别任务在生物医学、材料科学等专业领域存在严重的标注数据匮乏问题。为了解决上述问题,现有的一些研究工作采用迁移学习的方法从富资源领域迁移知识,但富资源领域的命名实体识别语料相对有限,且不同领域之间存在差异,因此很难保证知识迁移的效果。另一部分研究者采用数据增强的方法缓解标注数据稀缺带来的影响,但数据增强的研究工作大多集中于句子级别的任务,受词级别细粒度标签的限制,目前针对低资源命名实体识别任务的研究相对较少。本文提出了一种面向低资源命名实体识别任务的词级别数据增强框架,其包含数据增强和数据去噪两部分。本文的创新点以及主要贡献总结如下:（1）提出了一种基于预训练语言模型的标签感知命名实体识别数据增强方法。本文利用预训练语言模型所蕴含的丰富语言学知识对句子中的实体单词进行替换,用于扩充训练数据。为了提升预测单词和标签的一致性,本文预先使用附加标签信息的标注文本对预训练语言模型进行微调,以获取更加匹配原始标签的预测单词序列。实验结果显示本文提出的方法能够有效地缓解低资源命名实体识别任务标注数据稀缺的问题。（2）提出了一种基于课程学习策略的合成数据去噪方法。为了改善合成数据的质量,本文利用预训练的命名实体识别模型,获取合成数据在真实标签上的预测概率,计算置信度评分,以衡量合成数据的质量和学习难易程度。本文设计了三种置信度评价指标（全句平均、实体平均和句子长度）,并制定了依据评分高低进行增量训练的课程学习策略用于剔除噪声数据。实验结果表明了该方法能够有效地提高合成数据质量,并进一步提升模型性能。