伴随着互联网、云计算、移动媒体和物联网等新兴网络的应用,搜索引擎、电子商务、社交网站等一系列互联网衍生应用迅速发展,使我们进入了大数据时代。在大量数据中并不是所有信息都是有用的,人们迫切需要一些自动化工具来协助进行处理和识别有价值的数据。命名实体识别技术正是在这个背景下产生的。其在信息抽取、信息检索、机器翻译、问答系统等多种自然语言处理应用中发挥着重要作用。本文以大量真实论文数据为研究对象,针对命名实体中的人名、地名和机构名的识别对现有方法进行分析与研究。根据分析,本文提出了一种基于自适应方式的统计识别模型。该模型结合了隐马尔科夫模型和条件随机场模型的各自特点。首先利用抽样调查方法对测试语料进行抽样。然后利用隐马尔科夫和条件随机场两个统计模型分别对抽出的测试语料进行测试。在分析测试结果后,自适应地得到当前训练集和当前处理环境下识别某一类实体较为高效的统计识别模型。再用此高效的统计模型对整体测试语料进行基于统计的实体识别。接着,本文提出了一种基于改进的规则和统计方法相结合的实体识别模型。该模型在基于自适应的统计识别模型基础上增加了基于规则识别方法。此模型主要为了修正在基于统计模型识别中一些集中出现的识别错误。然后,本文提出了一种混合层叠的识别模型。该层叠模型共有三层,由最底层至高层分别是人名实体识别、地名实体识别和机构名实体识别。并且层叠模型的每一层都采用了本文提出的改进的规则和统计方法相结合的识别模型。识别中每一层都将本层识别出的识别结果添加到规则库中,供高层模型识别时使用。该层叠模型不仅结合了不同统计模型的识别优点,还充分利用了实体间互相存在嵌套的特点,大大提升了地名和机构名实体的识别准确率。最后,通过实验证明了本文提出的混合层叠的识别模型在准确率和召回率方面较原有实体识别模型有了显著的提高。并通过介绍基于本文提出的混合层叠识别模型在实际中的应用,体现了该识别模型具有一定的研究意义和实用价值。