新能源检测领域作为一个新兴领域,是新能源发展和应用中不可或缺的一部分。新能源领域的发展过程中必然要对相关的新能源性能参数进行检验检测,因此会产生海量的检测通告和文书。这些能源检测相关信息分布零散无规律,造成了检索困难,新能源项目送检困难的局面。如果想将已存在的文本信息进行收集再利用,整合领域资源,就离不开命名实体识别技术的帮助,命名实体识别技术的目的就是从非结构的文本信息内提取出人为定义好的具有特定含义的实体。首先经过研究发现新能源检测领域存在的实体语料匮乏、实体嵌套严重、实体类型冗杂繁多等问题,为此本文利用爬虫技术构建出了含有能源组织、能源检测项目、检测标准、检测仪器四种命名实体的新能源检测领域数据集来训练模型解决数据集匮乏的问题。首先,本文借助迁移学习的思想,引入BERT预训练模型。从大规模通用语义数据集中训练模型,加强了模型的语义提取能力。解决新能源检测领域存在的实体嵌套严重、实体类型冗杂繁多所导致的识别困难等问题。然后结合Bi GRU双向轻编码模型和CRF随机条件场搭建出BERT-Bi GRU-CRF（BGC）复合模型。在构建好的数据集上进行训练。结果表明BGC模型的准确率,召回率,F1值都比不加入BERT的主流模型都有了很大的提升。F1综合达到了83%。对比BERT-Bi LSTM-CRF模型BGC模型在训练时间缩短6%。说明了BGC模型可以很好的解决实体边界模糊和句式冗杂的新能源检测领域问题,同时训练效率更高。针对数据集匮乏的情况,我们尝试采用了训练参数更小的轻模型ALBERT模型相较于BERT预处理模型而言其采用的跨参数共享sop预测机制和词向量因式分解使得模型的训练参数只有原来的十分之一。将搭建好的轻便模型在新能源检测数据集进行训练,得到的F1得分要高于其他主流的深度学习模型。进一步探究模型在数据集匮乏的情况下性能,通过二分法梯度下降数据集的量级。分析实验结果发现ALBERT模型在数据量级一直下降的情况下,F1值比BERT模型下降趋势更加缓慢。证明模型参数的减少对数据量级的需求减少的正面意义。同时验证ALBERT模型在小数据集进行命名实体识别任务的优良性。最终设计制作针对新能源检测领域基于BERT-Bi GRU-CRF模型的命名实体识别软件。对软件的功能进行逻辑介绍,同时依据实验结果分析改进完善新能源检测领域的实体定义,进一步优化新能源检测领域数据集,制作新能源检测知识图谱,为后续进一步探究新能源检测领域的自然语言处理技术的应用与发展提供技术支持。