随着网络中文本规模的不断增长,文本中所蕴含的语义信息也越发的丰富,如何从这些海量文本数据中获取有用的结构化知识,已成为目前国内外研究的热点。命名实体识别（Named Entity Recognition,NER）作为自然语言处理的一个热门研究方向,已广泛应用于关系抽取、问答系统和机器翻译等多种自然语言处理任务。本文主要针对命名实体识别中存在的问题,进行了相关的研究。第一,目前大多数中文命名实体识别方法大多利用单一级别的特征进行识别,没有同时考虑字和词级别特征,难以获取足够的字形信息和词义信息。因此将字形信息与词义信息进行有效的结合对于中文命名实体识别方法具有重要的现实意义。第二,在命名实体领域,多采用循环神经网络的模型,由于循环神经网络在计算的过程中主要以递归为主,时间成本较大。相比较而言,卷积神经网络由于属于一种前馈神经网络,时间成本小,但是卷积神经网络由于不擅长处理时间序列任务。因此仅使用一种网络实现两种网络的功能,具有重要的现实意义。本文主要研究内容与创新工作如下:（1）针对目前大多数中文命名实体识别方法大多利用单一级别的特征进行识别,没有同时考虑字和词级别特征,难以获取足够的字形信息和词义信息。为了探索把字级别与词级别特征进行有效的融合,从而改善只基于字或词级别特征的单一模型识别效果,本文提出一种基于多级别特征感知网络的中文命名实体识别方法。最终在MSRA和《人民日报》数据集进行广泛实验。同时与近年来主流的中文命名实体识别方法进行比较。实验结果表明所提方法在MSRA和Resume数据集中实体识别的F1分别达到92.15%和94.32%,在《人民日报》数据集上识别人名、地名和机构名的F1分别达到94.28%、94.17%和90.33%。总体上优于近年来主流的中文命名实体识别方法。（2）在命名实体识别领域,多采用循环神经网络的模型,由于循环神经网络在计算的过程中主要以递归为主,时间成本较大。相比较而言,卷积神经网络由于是一种前馈神经网络,时间成本小,但是卷积神经网络由于不擅长处理时间序列任务。针对上述情况,本文构建一种多通道空洞自注意力卷积网络,从而更好的“代替”循环神经网络。实验结果表明,本文所提的方法在Co NLL-2003 English NER与Onto Notes5.0在两个英文数据集上的结果总体上优于近年来主流的命名实体识别方法。（3）现如今结构化的电子病历已逐渐成为各级医疗机构采集病人信息的主要手段,在此之前,医院仍然保留着许多非结构化的病历。由于尚不能从海量的、非结构化的病历直接进行检索,因此大量的病历不能发挥出至关重要的作用。因此,如何从这些海量的非结构化病例中充分挖掘其中有效的信息,已经成为现代医学领域一个难点问题。近年来,伴随着计算机技术的飞速发展,将自然语言处理与电子病历相结合,已经成为一个热点问题。其中基础环节就是提取电子病历中的实体。文本将基于多级别特征感知网络的中文命名实体识别方法运用到电子病历中的实体识别的实际应用中。本文首先介绍一款中文电子病历的命名实体识别系统,主要用于获取一些非结构化的中文电子病历,将这些文本输入放入训练好的模型中,最后展示文本中的识别,并将它们按照实体类别存储,便于今后构建结构化的电子病历。