命名实体识别这一课题一直是自然语言处理研究的重点之一,其主要目标是从文本中识别人名、地名、组织名等实体。作为自然语言处理中一项基本任务,命名实体识别对自动问答、关系抽取等任务有着重要作用。目前基于深度学习的中文命名实体识别模型主要通过利用外部知识的方式获得包含更多语义信息的字符向量,然后利用循环神经网络获取序列信息,然而外部知识可能不易获取和评判,并且网络的循环结构导致模型效率低下。因此,设计一个实用、高效的命名实体识别模型具有重要的研究意义,但也面临许多挑战。本文通过深入分析目前命名实体识别存在的问题及其发展现状,对现有的命名实体识别模型进行研究,本文的贡献如下:（1）提出了基于数据增强和多级残差卷积（Multi-level CNN with Residual Structure,RS-MCNN）的命名实体识别模型。RS-MCNN首先使用数据增强方法增加训练样本数,提升模型性能的同时也提高了模型的实用性。其次模型使用不同的字符向量查找表构建多模态向量,获取更丰富的语义信息。然后再使用多级残差卷积进行特征提取,为每个字符获取并融合不同范围内的上下文信息。大量基准数据集上的实验结果表明,和现有的基于循环神经网络的命名实体识别模型相比,RS-MCNN模型达到了更好的识别效果,并且有效地提高了模型效率。（2）提出了融合多级残差卷积与注意力机制（Multi-level CNN with Residual structure and Attention mechanism,RA-MCNN）的命名实体识别模型。RS-MCNN模型虽然通过堆叠多层卷积网络获得了较大的感受野,获得了长距离的上下文信息,但仍然很难获取到全局上下文信息。因此本文提出字符-句子注意力机制来构建每个字符与其所在句子的关系,从而获得全局信息。将注意力机制添加到多级残差卷积网络之后,可以一定程度上弥补多级残差卷积的不足之处。不同数据集上的实验结果表明RA-MCNN有效地改进了RS-MCNN模型,进一步提高了实体识别精度。（3）提出了基于预训练模型BERT与多级门控卷积（Multi-level CNN with Gated mechanism and Attention mechanism,BERT-GA-MCNN）的命名实体识别模型。考虑到预训练模型可以学习到更丰富的语义信息,并且其具有强大的泛化能力,本文使用BERT模型替代RA-MCNN中的向量查找表,生成字符向量。此外,为了增强模型对特征重要程度的判别能力,本文还使用门机制对多级残差卷积进行改进,实现特征的自适应融合。实验结果表明预训练模型和门机制均可以对模型效果进行有效的改进,进一步提高了模型精度。