命名实体识别的目的是识别给定文本中的人名、地名、组织机构名等有意义的实体,是自然语言处理领域一项基础且重要的任务,是许多下游任务的一个重要步骤,如机器翻译、关系抽取和自动问答等,具有相当大的应用价值。深度学习技术因其自主学习特定任务的特征表示能力在命名实体识别中广泛应用,并取得了巨大进展。但是,中文命名实体识别任务还存在一些问题:（1）中文命名实体识别在许多领域的标注数据是缺乏的,而且为深度学习模型标注足够的训练数据是非常耗时和昂贵的。（2）中文命名实体识别通常被建模为字符级别的序列标注问题,因为中文句子是一个长长的字符串,没有像空格那样的显式分隔符来将其分隔成词,对实体边界的识别效果并不太好。中文由于语言的特殊性和复杂性,给命名实体识别的研究工作带来了很大挑战。因此,本文针对上述这些问题进行了探索和研究,论文的主要研究工作如下:（1）考虑到中文命名实体识别任务存在训练标注数据不足的问题,提出两种命名实体伪样本生成算法,分别是基于随机的伪样本生成算法和基于损失的伪样本生成算法。这两种算法都有个共同的假设,即假设同一类别中的实体之间是可以相互替换的。在这个假设的基础上,利用现有标记数据中的各类命名实体,通过提出的伪样本生成算法获得更多的伪训练数据。最后,在目前流行的基于字符嵌入的BiLSTM-CRF模型上,通过对比实验验证了该方法在中文命名实体识别任务上的有效性。（2）为了缓解中文的特殊性和复杂性给命名实体识别带来的困扰,本文提出了融入词向量的BiLSTM-Self-Att-CRF模型。首先,在基于字符嵌入的BiLSTM-CRF模型中,加入所有与词典匹配的潜在单词作为辅助特征,使得模型可以在不受分词错误影响的情况下利用词信息。其次,引入多头自注意力机制,学习整个序列中的全局依赖信息。通过实验结果与分析,表明提出的模型可以实现较好的效果。最后,还将提出的基于损失的命名实体伪样本生成算法融入到该模型中,通过实验对比,验证了其对提升命名实体识别性能的有效性,并且优于其它几种优秀模型。（3）本文设计实现了一个针对新闻文本的命名实体识别系统。系统采用基于Python的Flask框架并结合API技术,将提出的命名实体识别模型部署到系统中,实现了Web端的实体识别功能,并且提供了数据标注功能以扩充训练样本。