命名实体识别是进行文本处理的基础技术手段,深度学习因其强大的学习能力能够挖掘更深层次的文本特征而深受命名实体识别领域研究者的青睐。基于深度学习的命名实体识别通常被当作序列标注任务,而单一的特征提取器提取特征的能力不足,通常不能对文本的全局和局部信息进行综合考量,无法满足同时对全局和局部特征进行提取的需求。除此之外,传统输入嵌入往往只注重词级别的特征表示,这对英文文本固然是好的,但对于中文文本就显得特征表示不够。在中文命名实体识别任务中,基于字的特征表示虽然迎合了中文语句以字为单位且没有天然分词的特点,但却忽视了汉字本身所包含的字音、字形特征和语句的全局语义信息,存在无法表示出汉字的一字多音不同义和一音多字不同义以及相似字形具有相似含义的问题,从而导致NER模型的识别效果不理想。针对上述提及的问题,本文基于深度学习方法,提出了两个中文命名实体识别模型,主要研究工作如下:（1）针对传统NER模型存在的特征种类单一和语义表示不充分的问题,本文提出了融合多种嵌入表示的中文命名实体识别模型（FMER-CNER）。模型在BiLSTM-CRF模型的基础上对其输入层进行改进。在输入表示层利用百度ERNIE预训练语言模型生成得到字嵌入和句子嵌入,在建模字级语义特征的同时增加对句子级语义特征的表示,在此基础上额外引入了包括拼音、五笔和四角码在内的字音、字形特征,通过多种特征融合的方式进一步增强模型的语义表示能力。最后用Bi LSTM-CRF模型完成提取特征和得到最优标签序列的任务。（2）为了将多种特征进行充分融合,本文在FMER-CNER模型中专门设计了向量融合层。它由全连接层、Bi LSTM网络和多头注意力机制三部分组成,作为相对独立的工具型模块,其主要作用除了将两个横向拼接的矩阵进行融合且保持矩阵维度与拼接前的单一矩阵维度一致之外,还能够通过Bi LSTM网络和多头注意力机制对两个矩阵的特征进行提取并且根据信息的重要程度进一步获取更关键的特征。（3）为了解决单一神经网络特征提取能力不足的问题,本文提出了增强特征提取的中文命名实体识别模型（EFE-CNER）。模型以FMER-CNER模型得到的融合嵌入表示为输入,对特征提取环节进行改进。将TextCNN与BiLSTM网络并行,二者联合提取特征,不仅充分利用了Bi LSTM网络能够建模上下文全局信息的能力,还兼顾了Text CNN提取局部特征的优势,二者相辅相成,再分别为二者添加多头注意力机制聚焦关键信息,以多方联合的方式增强模型的特征提取能力。最后利用CRF解码得到最优标签序列。（4）将本文提出的两个模型在MSRA中文数据集上进行实验验证,实验结果表明本文提出的两个中文NER模型均能有效提升中文命名实体识别的结果,且测试结果优于其他对比实验的结果,证明了模型的有效性和优越性。