命名实体识别是指从非结构化的文本中识别出具有特定意义的实体,可以用于挖掘非结构化文本中的重要信息。现有的研究提出了很多的识别命名实体的方法,推动了命名实体识别任务的发展。然而很多命名实体识别的研究忽略了文本中广泛存在的嵌套命名实体,使得一些重要实体未能被识别出来。为了识别文本中出现的嵌套命名实体,有研究者提出了基于区域的嵌套命名实体识别模型,这类模型会定位实体边界以获取候选区域并分类候选区域的实体类型来识别嵌套命名实体。但这类模型忽略了实体边界信息和类型信息之间的联系,限制了模型定位实体边界和分类实体类型的性能,从而限制了模型识别嵌套命名实体的性能。针对基于区域的嵌套命名实体识别模型的不足,本文提出了融合边界信息和类型信息的嵌套命名实体识别模型。该模型包含一个边界标注模块和一个类型标注模块,两个模块通过共享特征抽取层来实现信息的共享,通过多任务学习来捕捉实体边界信息和类型信息之间的联系,使得模型能更准确地定位实体边界和分类实体类型,提升了模型识别嵌套命名实体的性能。虽然融合边界信息和类型信息的嵌套命名实体识别模型取得了不错的性能表现,但是仍然存在两点不足:第一,模型在标注词语的标签时存在标注错误问题;第二,模型在标注词语的标签时存在标注遗漏问题。这两点不足影响了模型识别实体的性能。针对融合边界信息和类型信息的嵌套命名实体识别模型的不足,本文提出了基于自注意力和标签补全的嵌套命名实体识别模型。该模型中加入了自注意力层和标签补全层。自注意力层使得模型可以更准确地标注实体内词语的标签,缓解了标注错误问题,而标签补全层使得模型可以对标签存在遗漏的词语进行标签补全,缓解了标注遗漏问题。为了评估本文提出的两个模型的性能,本文在GENIA,ACE2005和Germ Eval2014数据集上进行了多组实验,实验结果表明本文提出的两个模型均可以有效地识别出文本中的嵌套命名实体,验证了模型的有效性。