命名实体识别（Named Entity Recognition,NER）是自然语言处理任务中将非结构化文本转变为结构化数据的处理方式之一,NER模型性能的优劣直接影响自然语言处理（Natural Language Processing,NLP）下游任务的执行效果。现阶段表现较好的NER模型大多均添加辅助信息以丰富特征类型,而辅助信息需耗费一定资源进行构建,难获取,不同领域特征差异较大,且特征质量的优劣直接影响NER模型的性能。因此,本文将焦点锁定为文本自身,不引入其他辅助特征,采用不同特征编码器来获取多类型的特征分布,利用迁移学习策略将特征信息交互共享,以弥补无辅助特征的缺陷。主要工作内容如下:（1）构建基于BERT（Bidirectional Encoder Representations from Transformers）迁移模型的门控多特征提取器的中文NER模型。该模型采用BERT获取词向量并将其迁移到下层目标模型,利用三个特征提取器搭建双层特征提取层,基于多头自注意力机制,采用两个具有不同编码机制的特征提取器共同挖掘词向量模型输出的文本信息,并利用共享特征提取器处理前一特征提取层输出的特征信息。同时,为卷积机制的特征提取器引入门控机制以改进卷积形式,实现流量控制的同时也能增加数据流通渠道。此外,构建两个条件随机场以实现文本序列的标签预测。在Resume、MSRA数据集上测试该模型,并与Lattice LSTM[BERT]、PLTE[BERT]等先进的NER模型进行比较,结果表明本文模型能改善NER模型识别实体的能力。（2）采用对抗迁移学习策略构建中文命名实体识别框架。此模型搭建两个NER子模型,两个NER子模型共同编码语言模型的输出,再利用对抗迁移策略共同学习、迁移NER子模型间的知识,从而获取种类更多样、表征能力更强的特征分布。在两个NER子模型中,引用残差连接机制改进特征编码器,以降低网络退化带来的不利影响。此外,引入对抗损失,促使特征生成器生成高质量的共享特征。在Boson、People Daily、Resume等数据集上进行验证实验,并与具有代表性的NER模型如LR-CNN、Lattice LSTM、FLAT等做比较,结果显示,本模型F1值最高提升了4.17个百分点,且提升幅度高于其他比较模型,表明本文对抗迁移NER模型在泛化性、鲁棒性、评价指标等方面均得到明显改善。