命名实体识别作为自然语言处理领域一项重要的基础任务,应用于机器翻译、自动问答、文本摘要、信息检索等众多领域。传统的基于规则和统计的实体识别方法需要依赖人工设计的特征,通用性较差。而深度学习方法可以通过神经网络自动学习样本来获取有效特征,自问世以来就逐步成为命名实体识别任务的主流方法。在基于深度学习的命名实体识别现有研究中,Word2Vec、Glove等分布式词向量包含了单词的语义信息,被作为单词的向量表征送入神经网络模型中,可以获得较好的结果。然而,分布式词向量无法解决未登录词(Out of Vocabulary,OOV)、罕见词、拼写错误等问题。其次,分布式词向量不包含单词前后缀、大小写等形态学信息,而这些字符级知识对任务性能的提升具有重要意义。现有的实体识别方法为了融入字符级知识,通常需要加入语言学特征等外部资源,过程过于繁杂。因此,本文研究如何在不使用外部资源的情况下利用字符级知识来提升实体识别任务的性能,通过神经网络模型自动抽取单词的字符级词向量,并实现端到端的训练和测试。该研究具有重要的理论意义和应用价值。本文围绕如何利用字符级知识,提出三种字符增强方案。主要研究内容与创新点如下:(1)提出基于字符长链的字符增强命名实体识别方法。将句子作为字符长链送入双向门控循环单元网络进行编码,通过单词边界获得包含上下文信息且特征丰富的字符级词向量。(2)提出融入自注意力机制的字符增强命名实体识别方法。通过自注意力机制对卷积后的词内字符特征赋予不同的权重,抽取对标签预测贡献更大的特征,以此获得更优的字符级词向量。(3)提出融入胶囊网络的字符增强命名实体识别方法。本文首次尝试将胶囊网络用于字符级词向量的获取,通过低层字符级胶囊将卷积神经网络(Convolutional Neural Network,CNN)卷积得到的局部特征转化为向量胶囊,然后通过动态路由算法抽取字符与单词之间更高层的特征,从而获得包含字符级知识的词向量。针对以上提出的方法,本文分别在Co NLL2003公开数据集上进行实验,实验结果表明所提出的三种字符增强模型在性能上均要明显优于不融入字符信息的基线模型且效果各有差异,证明了利用字符级知识可以带来显著的实体识别性能的提升。此外,本文在融入自注意力机制的字符增强命名实体识别方法的基础上,利用预训练语言模型BERT进一步提升系统性能。加入预训练模型BERT的命名实体识别系统取得了93.13%的先进结果。