命名实体识别是自然语言处理的重要研究课题之一,它不仅能够让人们快速获取文章中的关键信息,还能为众多下游任务提供基础性实体信息。中国朝鲜语信息处理的研究尚处于发展初期,而命名实体识别这一基础性任务的研究能为后续更为深入的自然语言处理任务奠定基础,因此朝鲜语命名实体识别研究对朝鲜语信息处理具有重要的学术意义和研究价值。针对朝鲜语独有的语言特征,本学位论文采用朝鲜语多粒度融合表征和朝鲜语预训练语言模型结合的方法,提高朝鲜语命名实体识别的效果,并将命名实体识别模型应用于基于命名实体识别的朝鲜语全文检索原型系统中。首先,提出了一种朝鲜语语言处理单位的多粒度融合方法,以解决命名实体边界划定不准确的问题。朝鲜语是黏着语,词汇含有后缀词尾,加之语言处理单位具有不同粒度,导致命名实体的边界不清。本文在传统的向量拼接融合方式的基础上,对粒度间的差异与联系进行融合表示,并采用加权平均方式控制融合权重,最终达到粒度间深度融合的效果。其次,采用预训练语言模型提取文本特征,提高了朝鲜语文本表征能力。本文采用KLUE-BERT和fast Text预训练语言模型对朝鲜语文本不同粒度的语言单位进行嵌入表示,并采用基于Transformer的命名实体识别模型TENER（Transformer Encoder for Name Entity Recognition）进行特征提取。该方法通过对朝鲜语文本的形态素粒度进行嵌入提高了基础粒度层次的特征表征能力;同时对音节和音素粒度进行编码,提升了细粒度层次的文本表征能力,取得了较传统的RNN（Recurrent Neural Network）和CNN（Convolution Neural Network）更好的特征提取效果。最后,利用训练好的命名实体识别模型,设计并实现了基于实体识别的朝鲜语全文检索原型系统。在系统设计中,为衡量两个文本间的相关程度,本文提出了一种基于实体集合的文本表示方法,使用命名实体识别的结果构建文本表示,并通过计算两个实体集合间的Ochiai系数确定文本间的相关度,最后按相关度系数排序获得文本检索结果。实验结果表明,本文提出的朝鲜语命名实体识别方法与其他方法相比在性能上均有提升。其中在KLUE-NER数据集中,本文提出方法与基于BERT预训练模型的方法对比,F1值提升4.22%;在Klpexpo2016数据集中,与当前效果最好的基于Bi-LSTM（Bi-directional Long Short-Term Memory）+CRF（Conditional Random Fields）的方法对比,F1值提升3.18%。测试结果表明,所实现的朝鲜语全文检索系统具备了面向实体的良好检索性能。