自然语言处理是人工智能项目的一个主要研究分支。本文针对自然语言处理中的一个关键研究点-命名实体识别任务展开研究,该任务的要点是识别出一个句子中存在一定语义的词或者字,比如,人名和地名。命名实体识别任务如今以各种神经网络为主要模型进行识别,近几年命名实体识别任务逐渐开始考虑将知识以及词特征融入到模型识别中,将语言习惯知识加入到图神经网络结构中;除此之外,研究学者对神经网络进行修改、增添不同的结构或者利用迁移学习以提升最终的模型识别效果,还有大型预训练模型BERT和其变体的出现。这些模型的提出虽然能够提高一定的效果,但是随着模型加深,在实际工程应用中出现推理的速度显著下降。因此本文提出一种轻量级,同时也能显著提升命名实体识别任务模型效果的神经网络结构。本文构建了基于双向长短时记忆神经网络和条件随机场的优化模型,提出了在词向量和字向量的基础上加入了两个额外的特征进行多粒度嵌入,并且结合字级和层级注意力机制,使得模型的识别效果大大提升,同时,在网络结构的输入层中加入了文本的实体表征,使得实体识别取得好的成效,通过对比,最后的识别效果得到了有效的提升。本文使用的数据分为两个部分,针对模型优化方面,采用了较为经典的人民日报三分类语料,包括了地名、人名和机构名称的识别,这三个分类数据分布均匀,并且具有一定的代表性,最后本文论证了在命名实体识别任务中加入了注意力机制后F1值提升了0.7%,加入人名特征后F1值提升了1.6%,加入地名特征后F1值提升了0.5%,加入特征融合后F1值提升了1.9%,总体来说F1值提升了2.6%,起到了优化的作用。在本文的第五个章节,采用了百度CCKS的中文命名实体识别比赛数据,同时经过人工和开源工作的标注筛选,对两种常用的神经网络结构在命名实体识别任务中的表现情况做了对比,比较了优化后的循环神经网络和优化后的卷积神经网络的表现效果,以及在同样的数据中,针对这两个网络结构在中国人名和外国人名的识别效果上做了对比。最后得出,在中文的命名实体识别任务中,长短时神经网络结构效果优于优化后的卷积网络结构,并且在中文语料上,中国人名的识别的F1值略高于外国人名的识别效果,都有着接近1%左右的提升。