基于序列标注方法大部分都是针对一些垂直领域,这些领域通常含有丰富语料。然而,当测试语料从含有大量标注语料的领域迁移到其他缺少标注数据的领域时,模型的效果一般会大打折扣,从而严重影响该方法更广泛的应用。本文针对含有少量人工标注数据的场景,以序列标注子任务之一命名实体识别问题为研究对象,在主流的命名实体识别模型的基础上,分别结合半监督学习和迁移学习的方法,取得了一定的成果,主要工作包括以下三方面:1.针对标注数据不足对模型准确率的影响,提出了一种基于生成式半监督学习的序列标注框架,该框架创新之处在于提出了基于多通道的序列到序列生成模型。该框架可以生成效果更好,多样性更强的标注语料,经实验证明,该框架在缺乏标注数据的场景中显著提升了序列标注模型的效果。2.针对标注数据不足对模型准确率的影响,结合基于预训练的迁移学习方法,在基于BERT-Bi-LSTM-CRF模型中验证了该方法能够提升模型在数据不充足的情况下的准确率,并且可以加速模型收敛。3.针对金融领域的公告信息抽取问题,设计并且实现了金融领域下基于BERT的中文命名实体识别系统,其中命名实体识别模型可以在适量的训练数据下达到95以上的F-1值。