命名实体识别任务的目标是定位自然文本中的实体并将其分类至预定义的类别中。命名实体识别任务一方面可以帮助阅读人员快速定位到冗长文本中的关键信息,另一方面它是其他下游自然语言处理任务的基础,高效的命名实体识别工具可以辅助其他的任务达到更好的效果。早期,解决命名实体识别问题采用的是传统的特征工程方法,这些方法都需要凭借经验定义大量的人工特征,不仅耗费大量的人工成本,还缺乏迁移性。随着算力的提升和深度学习技术的不断发展,深度学习方法在命名实体识别任务中得到了广泛的研究和应用。基于深度学习的命名实体识别模型自底向上可以分为3个部分,包括嵌入层、编码层和解码层。深度学习方法分别对这3个部分进行改进来提高模型的识别效果。这些方法与传统的特征工程方法相比有了效果提升,但同时也存在一些不足:一是大部分研究只引入单一的语义或者语法特征,使用单一类型的编码器来捕获命名实体识别所需要的特征,这不可避免的导致部分有用特征的缺失;二是大部分研究都没有考虑到实体类别标签信息对命名实体识别模型的影响,没有建立实体类别标签和序列表示之间的联系,忽视了实体类别标签信息对命名实体识别模型的重要性。针对上述两个问题,论文提出了多特征中文命名实体识别模型和基于关联记忆网络的命名实体识别模型,并研究了多特征融合对命名实体识别模型的影响。本文主要的贡献点如下:第一,提出多特征中文命名实体识别模型。本文指出目前编码效果最好的Transformer编码器捕获句子树形句法特征的能力不足,在编码器的底层增加了有序神经元的LSTM网络（ON-LSTM）对句子进行混合编码,隐式的捕获句法层级信息。同时,本模型还在嵌入层补充了多粒度的语义信息,包括偏旁、字符和词典,研究了多种语义和语法信息对中文命名实体识别模型的影响。第二,提出基于关联记忆网络的命名实体识别模型,使用关联记忆网络来引入实体类别标签信息。该方法首先设计句子距离的度量方式来进行记忆句子的选择,使用预训练语言模型对原句子和记忆句子进行上下文的字符编码,再计算两种句子每个字符之间的相似度来构建注意力矩阵,对记忆句子的标签序列进行标签嵌入,最后将得到的标签嵌入与注意力矩阵相乘,从而引入原句子每个字符对应的实体标签信息。本文对提出的两个模型在不同领域,不同粒度的中文命名实体识别数据集上进行了验证和分析。在多特征中文命名实体识别模型的实验中,证明使用ON-LSTM和Transformer的混合编码器可以有效提高模型的识别效果,并分析了多种语义和语法特征对中文命名实体识别模型的影响。在基于关联记忆网络的命名实体识别模型的实验中,验证了本文引入实体类别标签信息的方法的有效性,并对模型的各个部件进行了消融实验。