命名实体识别是自然语言处理的一项基础任务,其目的是识别文本数据中人名、地名、机构名等类型的实体。命名实体识别效果对后续的关系抽取、机器翻译、知识图谱等任务有很大影响。近年来,深度学习被广泛用于命名实体识别任务,并取得了很好的效果。然而,现有的深度学习方法大多为有监督的训练方法,在特定领域命名实体识别任务中,由于缺乏标注数据,使得依赖大量标注数据的深度学习模型难以取得优异的性能。本文从半监督集成学习和多视图学习方法入手,研究面向小样本的命名实体识别模型。主要工作包括:（1）针对小样本数据量少,单一的深度神经网络模型泛化能力弱的问题,提出了一种基于多模型协同训练的命名实体识别模型（Named Entity Recognition Model Based on Multi Model Collaborative Training,NER-MCT）,利用少量标注数据训练三个基学习器,采用协同训练Tri-training算法为未标注的原始数据进行标注,并通过加权投票法进行模型集成,从而提高模型鲁棒性。实验结果表明,在小样本命名实体识别任务中,NER-MCT模型能够有效地利用大量的无标记语料数据提高模型性能。（2）在NER-MCT模型的基础上,提出一种改进的Tri-training算法。在样本选择过程中,提出了重复标记样本选择策略,通过构造一致性评价函数和设置合理的阈值,在学习过程中迭代地扩充训练集。该策略能有效避免引入噪声数据,将高置信度样本扩充到训练样本集中,提高了命名实体识别的效果。（3）针对特定领域小样本命名实体识别任务中数据特征不足的问题,提出了一种多视图特征融合的命名实体识别模型（Named Entity Recognition Model Based on Multi View Feature Fusion,NER-MVF）。该模型利用两种不同的神经网络提取多视图特征,并将特征向量输入到条件随机场预测标签序列。与现有的序列标记模型不同,NERMVF模型不仅考虑了邻域标记之间的相关性,而且利用了多视图学习中一致性和互补性原理。实验证明,NER-MVF模型在不增加模型复杂性的基础上能有效提高命名实体识别的精度。（4）在NER-MVF模型中,受协同正则化思想的启发,提出了一种多视图特征融合算法。将不同的神经网络提取的多视图特征引入联合表示空间,并通过损失函数中的正则化项来最小化两个视图之间的距离,以防止NER-MVF模型在训练中出现过拟合现象。本文方法针对特定领域标注语料数据不足、单一模型对样本学习不充分的问题,通过改进协同训练算法和融合多视图数据特征,提升了小样本命名实体识别模型的性能。