在互联网海量信息的数据中,文本是最主要的表现形式,这些文本信息多以非结构化的形式呈现出来。命名实体识别技术可以从非结构化的文本中识别人名和地名等含有特定意义的实体。命名实体识别的结果可以用于关系抽取、事件抽取、知识图谱构建等下游任务中,其结果的好坏直接影响下游任务的效果。命名实体识别任务根据命名实体是否嵌套分为非嵌套命名实体识别和嵌套命名实体识别,本文对这两个任务进行研究。具体的研究内容如下:（1）非嵌套命名实体识别方法的研究。针对预训练模型BERT存在词汇信息缺乏的问题,在半监督实体增强最小均方差预训练模型的基础上提出了一种基于知识库实体增强BERT模型的中文命名实体识别模型Open KG+Entity Enhanced BERT+CRF。首先从中文通用百科知识库CN-DBPedia中下载文档并用结巴分词抽取实体来扩充实体词典,然后将词典中的实体嵌入到BERT中进行预训练,将训练得到的词向量输入到双向长短期记忆（Bi LSTM）网络中提取特征,最后经过条件随机场（CRF）修正后输出。实验结果表明,本文模型对非嵌套命名实体识别的综合效果均得到有效提升,F1值均优于对比模型。（2）嵌套命名实体识别的研究。针对用机器阅读理解方法识别命名实体只考虑句子内的上下文信息,未考虑到知识库中实体级信息,本文提出了利用外部知识库改进机器阅读理解方法以增强对知识库实体信息的运用来解决嵌套命名实体识别。首先针对每类实体构建问题、文本及实体答案的三元组;然后,用BERT对三元组信息进行预训练,再通过注意力机制自适应地从知识库中选择所需实体信息,并将所选实体信息与BERT融合以增强上下文和实体信息的联系;最后利用二进制分类器实现实体答案预测。实验结果表明,本文模型对嵌套命名实体识别的综合效果均得到有效提升,F1值均优于对比模型。