老挝人民民主共和国（简称老挝）是与我国相邻的东南亚重要国家。作为我国在东盟自由贸易区的重要贸易伙伴,随着我国“一带一路”倡议的实施,老挝与我国经济和文化方面联系更加密切。在这样的背景下,对老挝语进行自然语言处理（Natural language processing,简称NLP）研究具有重要的经济和文化价值。命名实体识别（Named Entity Recognition,简称NER）是关系提取、构建知识图谱、句子相似度计算、情感分析、机器翻译等下游NLP任务的重要信息抽取工具,在自然语言处理技术中具有十分基础的重要地位。本文针对老挝语NLP基础研究薄弱,网络资源较少的特点提出一种基于跨语言学习的老挝语实体抽取方法,主要工作如下:（1）融合词性及音节特征的跨语言老挝语实体识别老挝语是语料资源匮乏的小语种,获取用于命名实体识别任务的人工标注数据十分困难。但在如汉语这种使用人数众多的语言上,已存在如LTP4和Core Stanza类似的实体标注工具。此外,相对于低资源命名实体识别的标注数据,双语平行句对的获取相对容易。因此提出一种融合词性及音节特征的跨语言老挝语实体识别方法,通过双语词向量相似度计算将汉语端的标注数据投影到老挝语后,按照一定策略进行数据去噪处理后得到具有NER标注的老挝语句子。之后使用BILSTM-Attention-CRF模型进行NER建模。使用融合音节、词性特征的词向量作为输入,经过BILSTM网络后输出隐藏状态向量,之后使用注意力机制进行加权;最后,使用条件随机场（CRF）作为老挝语实体识别模型的解码器。实验表明,基于投影的跨语言老挝语命名实体识别模型的值达到了74.13%。（2）融合音素和词性特征的多任务老挝语实体识别在（1）部分已经获取了带有NER标签的老挝语数据并构建了用于老挝语命名实体识别的模型,但是由于对齐误差的存在,不可避免的会引入噪声数据。为提高NER模型的性能,提升低频词的识别率,提出一种使用词性特征和音素特征的多任务老挝语命名实体识别方法。通过对老挝语词性特征和音素特征的预测,进一步提升模型的性能。最终实验表明采用多任务学习后,模型性能得到有效提升。（3）融合汉老双语多特征的跨语言老挝语实体识别虽然在之前的工作中利用双语词向量相似度计算将汉语端的标注数据投影到老挝语得到了NER标注数据,但是这种方法依赖于汉语端的NER标注工具性能,并且这种硬投影方式往往会带来对齐误差。本文提出一种基于XLM跨语言模型的老挝语命名实体识别方法,采用软对齐的方式让模型自动学习汉-老跨语言知识,通过添加汉老跨语言特征模板以及进行MLM和TLM微调来训练老挝语命名实体识别模型,进一步提高模型准确率。最终实验表明,基于XLM跨语言模型的老挝语命名实体识别方法的值达到了76.65%。