新能源汽车命名实体识别旨在帮助市场和社会更好地定位新能源汽车发展方向,更好的发挥领域文本对技术革新的推动作用。中文文本存在较多歧义,实体识别易受分词错误影响,并且新能源汽车存在实体边界模糊、词长多变、未登录词丰富、现存标注语料较少等问题,给新能源汽车命名实体识别带来很大的困难。目前,新能源汽车命名实体识别大多基于统计和领域知识的方法,将实体识别看作序列标注问题,利用条件随机场等机器学习方法完成序列标注。一方面需要人工提取特征,耗时耗力,且提取的特征质量参差不齐,另一方面存在依赖局部标记区分实体边界的局限,无法摆脱分词错误和实体边界模糊的影响,导致识别效果不佳。为了提升新能源汽车实体识别效果,本文从文本特征、实体识别模型和模型训练过程三个方面提出了改进思路。（1）在文本特征方面,使用深度神经网络融合字、词以及外部特征。字特征的引入,避免了未登录词特征向量退化成零向量,缓解了未登录词丰富带来的困难;进一步引入了词性、位置、词典等简单人工特征,改善了实体内部结构复杂、实体嵌套等问题。（2）实体识别模型方面,针对新能源汽车命名实体边界模糊、词长多变的现状,使用半马尔可夫条件随机场替代传统序列标注模型中的条件随机场,融合片段特征,同时完成片段切分和实体识别,突破了使用局部标记划分实体边界的局限,提升了识别效果;此外,引入片段整体和外部特征,进一步完善了片段特征。（3）在模型训练过程中引入主动学习,并提出了一种基于不确定性和信息分布度相结合的主动学习采样策略,每次选择当前模型最不能确定并且非孤立的未标注样本进行人工标注,避免浪费人力标注当前模型已经能很好处理的样本句子,通过对未标注样本的选择性学习,保证识别效果的同时,大幅度降低了人工标注量。本文针对提出的改进思路设置了一系列对比试验。实验结果表明,相对于传统模型,深度学习融合字、词以及外部特征可以提升4.37%的识别效果;使用半马尔可夫条件随机场融合片段特征,同时完成片段切分和实体分类,可以进一步提升6.42%的识别效果;引入主动学习,标注66%的样本,仅损失0.5%的F1-值,证明了本文提出的新能源汽车命名实体识别模型的有效性。