网络中的文本信息愈加丰富多样,但如何从海量非结构文本中提取有价值的信息却无从下手,因此亟需一些方法和工具来完成这项任务。其中一个重要的信息提取方法就是命名实体识别,其主要用于提取例如人名、地名和组织机构名等有特定意义的实体信息。近年来,命名实体识别得到了广泛的研究和发展,但目前基于Transformer编码器的中文命名实体识别方法仍存在以下问题:第一,在字符特征提取时,存在未充分利用字符相关多语义特征的问题,导致模型难以获取足够丰富的字符语义信息;第二,由于中文文本的复杂性,存在中文分词错误和简短或不规范等稀疏文本导致模型识别困难的问题。针对以上问题,本文从融合字符多语义特征的命名实体识别出发,进行的主要研究内容和创新工作如下:（1）本文提出融合双流特征编码的中文命名实体识别方法。该方法将字符的局部和全局语义特征有效融合,改善了Transformer编码器仅采用字符单一语义特征识别效果不佳的问题。首先,构建双流时序网络对句子中的字符进行编码,获得局部和全局语义特征,同时动态引入单词信息,避免分词错误,增强实体边界识别。其次,采用门控单元控制信息流,加权融合双流特征。最后,提出一个联结多种损失函数的Multi-loss损失计算方法,通过控制的模型参数自由度,提高模型训练和测试识别效果的一致性。实验结果表明,本文方法在保持并行计算的前提下,在Weibo、Resume和MSRA三个中文数据集上的1F值分别达到61.18%、95.44%和94.48%,均优于对比方法。（2）本文提出基于增强字符语义信息的命名实体识别方法。该方法通过融合相似语义字符特征的方式,增强字符语义信息,从而缓解模型对包含简短或不规范等稀疏文本和标注数据匮乏的语料识别困难的问题。首先,提出了一个基于BERT模型融合多种字符向量的字符表示方法,增强字符向量的表征能力。其次,提出了一个基于字符上下文的相似字聚类匹配方法,高效而准确的获得增强字符语义信息的相似语义字符向量。最后,构建了一个自注意力语义增强模块,根据句子的上下文语境对与字符匹配的相似语义字符进行筛选并划分权重,有效地增强字符语义信息。实验结果表明,在两个具有代表性的中文数据集上,该方法可以有效提升模型的识别效果。（3）本文设计并实现了一个中文命名实体识别开放系统,对本文提出的两种改进方法进行了验证和应用。该系统主要包含Web交互、实体识别和相似词匹配三个模块,其中实体识别模块可对三种形式的文本数据进行识别;相似度匹配模块可通过相似度匹配算法生成实体相关词语。最后通过系统测试,证明了该系统拥有健全的功能和良好的兼容性。综上所述,本文针对命名实体识别存在的问题,从模型结构改进、引入外部信息和损失函数优化等方面出发,提出了两种新颖的命名实体识别方法。经过大量实验和实际应用的验证,证明了本文提出方法的有效性和实用性。