日常生活中,人们在使用互联网的同时创造了蕴藏着巨大价值的海量文本数据。挖掘海量文本数据价值的重要一步为命名实体识别。命名实体识别是指从文本数据中识别出人名、地名、机构等特定意义的实体,是计算机正确理解文本信息的关键步骤之一,也是信息抽取、信息检索、问答系统等自然语言处理应用的基础任务。命名实体识别的一大研究方向为中文命名实体识别。然而,现有的中文命名实体识别方法存在以下问题:(1)现有方法大多基于循环神经网络,而循环神经网络缺乏对全局信息的建模,同时因其只对连续隐含状态进行浅层连接,容易忽略重要的输入信息以及之前的隐藏状态信息。(2)中文命名实体识别通常是基于词序列的识别,需先采用中文分词技术将文本分割为词序列,忽略了分词错误带来的噪声数据对模型性能的影响。为此,本文提出了一种基于深度转换网络的中文命名实体识别模型Lattice DT。具体而言,该模型通过加深文本序列中每个位置的隐藏状态转换路径以及为每个位置添加从整个文本中学习到的全局表示的方式来解决循环神经网络所存在的问题。同时,模型基于字序列进行中文命名实体识别,并引入基于外部语料的词向量,将文本序列中隐含的词向量融合到字序列中,从而来缓解中文分词带来的噪声。为了验证所提模型有效性,本文在One Notes 4,MSRA,Weibo NER和中文简历四个公开数据集上与基线模型进行了广泛的对比实验。实验结果表明本文所提模型在广泛采用的F1指标上明显优于现有模型。