命名实体识别,在自然语言处理研究中属于序列标注任务的其中一种,其目标是识别标记出文本序列中的特殊词语,这些词语一般为地名、机构名、人名等。一个优秀的命名实体识别模型不仅能抽取更多正确有用的信息,还能更好的为其他自然语言任务例如机器翻译、舆情监测等打好基础。基于词典或基于规则的方法是该项技术的传统方法,但这两类方法不仅非常耗费人力物力,而且还依赖于语言学特征,扩展性较差。随着深度学习技术的不断成熟,目前它已经成为了该领域的主要研究方法。在中文语料中,命名实体识别面临着一些问题:一是自动分词器分词错误带来的实体识别错误问题;二是中文语义丰富,容易产生词语歧义、一词多义等现象,进而干扰识别;三是一些非正式文本句子短小、行文不规范,会加大识别难度。为了降低这些问题带来的影响,为后续自然语言处理任务做好准备工作,本文提出基于图注意力网络的模型LGATC和融入BERT的图注意力网络模型BLGATC。本文的详细研究内容如下:（1）提出一个面向中文且基于图注意力网络的命名实体识别模型LGATC。在该模型中,首先以字词向量融合作为输入,即在利用字信息的同时,同时使用到其所在词语的信息,在一定程度上减少分词带来的错误。随后经过双向长短期记忆网络中捕获全局特征。再将模型经过图注意力网络层,运用句子中词语的依赖关系,将图注意力网络运用在句子的句法依存图中,通过更新邻居节点的注意力来关注主要信息。最后经过条件随机场选择最优标签后输出。经过在MSRA上验证,改良输入并融入图注意力网络的LGATC模型,其F值比基线模型Bi LSTM-CRF提高了3.12%。（2）在LGATC模型的基础上,为了克服Word2Vec的缺陷,在输入层捕捉更多语义信息,并降低一词多义带来的错误,本文将输入的静态Embedding层改为动态的BERT层,生成新的模型BLGATC。BERT在训练时是依据上下文的,它不会单一的将一个词映射到唯一的向量中,能够较好的进行消歧。经过在MSRA数据集上的验证,BLGATC模型的F值比LGATC模型提高了3.54%。此外,在三个公开的中文数据集Onto Notes、MSRA和Wei Bo NER上,经过将BLGATC模型与近几年提出的其他五个中文命名实体模型进行比较,证明了融入BERT的BLGATC模型取得了有竞争力的结果。