命名实体识别是知识图谱、机器翻译、智能问答系统等一系列自然语言处理任务的关键性子任务,旨在从非结构化的文本数据中提取出特定的命名实体,而中文命名实体识别仍然面对诸多挑战,因此对于中文命名实体识别的研究具有现实意义。互联网的高速发展带来了网上文本数据指数级的爆发式增长,为基于大数据驱动的深度学习方法奠定了基础,本文主要采用基于深度学习的方法对命名实体识别展开研究,研究工作可以概括如下:（1）当前的命名实体识别模型多是字级别特征输入,针对字向量可能出现分词错误以及词向量不能很好利用相邻字序列的语义信息的问题,本文构建了基于空洞卷积网络的特征融合实体识别模型ID-CW-CRF,空洞卷积网络通过卷积膨胀扩大网络的感受野,从而捕捉文本中更长距离的上下文信息,通过卷积网络对字特征进行提取,再与词特征融合,融合后的特征优势互补,最后经条件随机场CRF解码输出带约束的序列标签。在公开数据集《人民日报》与MSRA进行实验,实验结果表明与主流的深度学习方法对比,本文提出的基于空洞卷积的特征融合实体识别模型有效地提升模型的性能。（2）现有的命名实体识别研究多是聚焦于医疗和金融领域,由于电力文本的标注数据相对难以获取,本文对非结构化的电力故障诊断文本进行预处理,构建了电力故障诊断实体识别标注数据用以验证模型在特定领域的泛化能力。（3）针对特定领域标注语料不足以及字向量表示面临表征形式单一化的问题,提出了一种基于预训练的双向长短时记忆网络命名实体识别模型。相对于离散式与分布式的文本嵌入表示方式,基于预训练的文本嵌入表示方法充分利用了大规模中文语料,可以获得更为丰富的中文语义表达。本文引入空间复杂度优化的预训练模型ALBERT进行预训练,改进的预训练模型降低了对机器性能的依赖,结合双向记忆神经网络BLSTM和解码器CRF,提出了一种基于预训练的双向记忆神经网络的实体识别模型ALBERT-BLSTM-CRF,预训练模型通过模型微调调整网络的权重更好地适应命名实体识别任务。本文提出的ALBERT-BLSTM-CRF在小样本电气故障诊断文本数据集上进行实验,实验结果证明该模型具有一定的泛化能力。