近年来我国就业人群日益增长,截至2021年末,全社会求职人数预计超过1000万人,新增用人单位招聘需求预计达到2000万人以上。同时,人才市场越来越趋向于智能化,简历信息也呈现出多元化、复杂化的特点。在求职者与用人单位双方需求增加与网络信息资源日益庞大的背景下,如何从半结构化简历中准确高效地抽取识别文本关键信息,在提高用人单位人岗匹配结果、帮助求职者获得工作岗位具体需求等方面有着重要意义。本文以半结构化中文简历为研究对象,采用自然语言处理方法,通过计算机理解技术和生成式自然语言相关理论方法,对半结构化中文简历文本进行命名实体抽取与识别。研究选取适用于半结构化中文简历的解析模型,对提高信息抽取技术在简历解析的应用,加深自然语言处理技术在人力资源等相关产业结合,促进企业工作效率的提升,推动人工智能技术在实际应用领域等方面研究有着重要意义。本文主要研究内容如下:首先,本文以半结构化中文简历为研究对象,通过对大量不同版式结构简历总结出半结构化简历文本同构性与异构性特征,基于此完成对半结构化中文简历结构特征和内容特征进行分析。从同构性角度出发,总结半结构化简历文本固定模块信息,并对其进行层级划分。在异构性角度方面,通过人工标注校准和关键词排序的方式,对简历标题词典进行构建与扩充。其次,引入循环神经网络原始模型与长短期循环神经网络模型,并将长短期循环神经网络（Bi LSTM）应用到中文简历信息提取与识别任务中。针对Bi LSTM模型不足,引入条件随机场（CRF）层,将特征提取与文本分类融合,利用Bi LSTM层通过自动学习半结构化中文简历中特征信息,随后输出全部可能的标签词序列的概率到CRF层,在CRF层中再利用标签之间约束关系,计算得到最优标签序列。模型利用准确率、召回以及F1值对模型进行评价。为检验该模型在半结构化中文简历解析任务上的有效性,模型与传统RNN、LSTM、Bi LSTM以及分别结合CRF层进行结果比照,结果显示,Bi LSTM-CRF模型在半结构化中文简历NER任务F1值最高,达到90.4734%,以此证明该模型在中文简历NER任务上有不错潜力。最后,由于词向量预处理作为模型输入层直接决定了下游识别任务的效果,因此本文引入预训练语言模型,具体介绍的包括静态预训练语言模型和动态预训练语言模型,以及目前中文命名实体任务常用的BERT预训练语言模型。经过分析并对比各预训练模型优缺点,最后选择将BERT模型和Bi LSTM-CRF模型结合。模型通过BERT层对输入的上下文文本数据信息通过编码得到字向量表示,将所取得的字向量作为输入通过Bi LSTM模型完成训练,进而提取文本特征,并产生各种可能的标签序列,最后使用过CRF解码获取最优标签序列,完成中文简历信息抽取与识别任务。结果显示,引入预训练语言层后Bi LSTM-CRF模型在中文简历识别任务有了不错的提升,识别结果F1值达到94.1706%,由此可见BERT层在中文简历NER任务中有较好的预训练效果。