当前英文命名实体识别的研究已经非常成熟,而由于中英文的差异性和司法领域缺少公开标注数据集,中文司法领域的人工智能发展进程较为缓慢。本文的研究是基于对司法领域裁判文书的内容和行文特点进行分析,并结合自身对中文命名实体识别的了解来展开。主要研究工作如下:1、针对司法领域缺乏公开标注数据集的问题,人工制作了能够应用于司法领域命名实体识别的标注数据集。本文应用相关互联网技术,从中国裁判文书网(http://wenshu.court.gov.cn/)和中国“法研杯”司法人工智能挑战赛获取到各类案件裁判文书数据,经过一系列处理和标注形成了用于本研究的有效标注语料集。2、针对单独使用字符向量导致丢失部分句子内部信息的问题,本文提出使用句子的分布式表达模型训练获得句向量,再将出现在句子中的字符对应的向量与该句子向量进行加和并进行归一化处理,得到最终的输入向量。然后将得到的融合向量作为字符级Bi LSTM-CRF模型的输入,在本文中所构建的司法领域标注语料基础上进行实验。实验结果在总体上达到了77.08%的准确率、73.69%的召回率和75.35%的F1值,证明了本文方法的有效性。3、从实际应用出发,为提升命名实体识别系统的效率,提出改进的维特比算法。在求解“维特比路径”时,每一次计算后将得分最低的“不可能路径”进行裁剪,以减少计算量,从而提升模型的效率。实验证明,该方法对于模型运行速度的提升具有一定的效果。4、由于少数民族人名的特殊性,翻译为汉语时,在姓名的构造和长度上与常规的汉语人名均有区别,在识别时不能准确地识别出这一类人名。本文采用了融合注意力机制的命名实体识别模型,避免了LSTM在时间步长过大时可能会出现的长期依赖问题,并利用IDCNN对文本字符进行局部特征提取与Bi LSTM的所学习到的上下文特征进行融合,从而加强利用文本信息,提升了对少数民族翻译人名的识别能力。上述工作对于中文司法领域命名实体识别提供了新的研究思路,在各项评估指标上也有所提升,有助于推动中文司法领域命名实体识别的研究,提升实用性。