知识图谱以结构化的形式描述客观世界中的概念、实体及其之间的关系,是一种对海量信息数据进行组织、管理和理解的方式,具有广泛的应用前景。命名实体识别（NER）是构建知识图谱的关键步骤。NER任务需要从非结构化文本中定位命名实体并分类到特定的类别,例如人名、地点和组织机构等。虽然现有的基于神经网络的命名实体模型在部分领域取得了巨大成功,但是存在以下两点明显的不足:一是现有的方法主要关注在非嵌套命名实体识别任务,而忽视了实体的多层嵌套问题;二是现有的方法主要关注在新闻媒体领域的文本,而在社交媒体短文本领域由于上下文信息不足而性能急剧下降。针对实体的多层级嵌套问题,本文提出了一种基于边界信息的多层级嵌套命名实体识别模型。实体嵌套现在常见于不同领域的数据集中。由于嵌套实体中的词往往含有多个标签,以往的单层序列标注模型无法处理嵌套问题。多层序列标注模型存在严重的层与层之间的错误传播,而穷举片段模型由于缺少边界标签的引导,往往存在大量的边界错误。本文提出的基于边界感知的神经网络模型,通过进行边界检测,模型能够生成边界相关的候选实体区域,这些区域的文本表示被用来进行嵌套实体类别的预测。相比于现有的多层序列标注模型,基于边界感知的神经网络模型需要更小的计算资源,同时能减缓多层模型中的错误传播,从而达到更好的预测效果。针对社交媒体短文本的实体识别问题,本文提出了一种基于对抗训练和双线性注意力机制的多模态命名实体识别模型。视觉上下文信息通常能够辅助更准确的识别短文本社交媒体中的实体,以往的多模态命名实体识别工作只利用到了图像整体或者标签信息,而忽视了细粒度视觉对象和命名实体之前存在对应关系。同时,由于视觉表示和文本表示存在空间差异性,简单的拼接两者的表示会带来语义上的偏移。针对以上问题,本文提出了基于对抗训练和双线性注意力机制的多模态命名实体识别模型。该模型能够同时从视觉对象和文本中抽取实体相关的特征,同时利用对抗训练的方式将两种不同的模态表示映射到相同的语义向量空间。因此,包含在图像中的语义信息能够被迁移和利用,从而辅助准确的识别出文本中的命名实体。本文模型在社交媒体领域的Twitter多模态数据集上超过了过去所有State-of-the-art的模型,同时本文通过数据分布可视化、注意力权重可视化以及充实的案例分析证明了模型的有效性。