随着信息化时代的来临,军事文本信息出现“过载”的问题,这为情报分析人员增加了沉重的负担。利用自然语言处理中的信息抽取技术智能地提取其中的有价值信息并呈现出来,是一种备受瞩目的解决方案。而命名实体识别技术作为信息抽取领域中的基石,其重要性不言而喻。本文立足于军事命名实体识别任务,对基于预训练语言模型的深度学习方法进行研究。因为军事领域相关的语料集匮乏,出于研究需要,本文首先以军事新闻文本为数据源构建了一个军事命名实体识别数据集。该数据集规模为90万字,涵盖人名、机构组织、地点、时间、职级职务与武器装备六类命名实体。后续,本文围绕这一数据集展开若干方法的实验研究与对比分析。本文以BiLSTM-CRF为基准模型,分别构建了BERT-CRF模型与BERTBiLSTM-CRF模型,并对其性能表现进行了对比。实验表明,BERT-BiLSTM-CRF模型的表现最优,BERT模型与BiLSTM模型可以协同互补,相得益彰。BERTBiLSTM-CRF模型在所有实体上的总体F1值为90.66%,相比BiLSTM-CRF模型提高了6%。BERT模型是以字向量为基础的,并未考虑到词信息。如何将词信息恰当地融入基于字向量的模型中起到增益的效果也是颇具潜力的研究方向。本文通过将BERT模型与FLAT（Flat-Lattice Transformer）模型结合的方式验证了这种思想在军事命名实体识别领域的有效性。然后,通过对BERT-base、BERT-wwm与Ro BERTa模型的对比实验发现,基于BERT-wwm与FLAT结合的模型整体表现最优,在所有实体上的总体F1值为91.14%。