互联网技术的蓬勃发展使得信息数据量呈指数爆炸型增长,如何准确地从海量文本中获取到有效信息以及如何将非结构化数据转换成结构化数据成为研究热点和难点,命名实体识别是其中的一项基础研究。命名实体识别旨在从自然语言文本中识别并提取出特定命名实体,以便进行后续自然语言理解和生成任务。传统的命名实体识别任务基于中文分词进行,分词错误会延续整个任务过程,错误传播会导致识别性能下降,模型难以充分提取长语句序列中潜在的语义信息。深度学习的出现为命名实体识别技术的研究提供了新的工具,论文基于长短期记忆网络（Long Short-Term Memory,LSTM）,研究了远距离文本下的中文命名实体识别技术,并在核电领域数据下进行优化。论文的研究内容和主要创新点如下:针对远距离文本信息提取性能不佳的问题,论文提出了一种基于注意力机制和网格LSTM的命名实体识别算法。该算法利用网格LSTM网络引入词信息,有效解决了因中文分词错误所引起的词边界错误传播问题;由于LSTM网络的链式结构不能充分利用语句序列的全局信息,而且对于远距离文本信息的特征提取性能会随着距离的增加而弱化,论文在网格LSTM网络中引入了注意力机制,获取字信息的内在关联和远距离语义信息;此外,论文对模型进行了调参优化。在多个数据集上的实验结果表明,所提出的算法相对于参考算法F1值提高了0.48%-1.11%,提升了识别性能。进一步地,论文研究了特定领域的命名实体识别问题,设计了一种基于LSTM-CRF（Conditional Random Fields,CRF）的核电领域命名实体识别算法。针对核电领域语料资源匮乏问题,构建了核电领域数据集,完成了核电语料的数据清洗和标注工作;针对核电数据集命名实体嵌套较为严重的问题,论文通过设计字符的单一候选词路径,为LSTM网络的训练提供了有效词信息,同时加快了网络的训练过程。该算法在论文构建的核电领域数据集上相对于参考算法F1值提高了0.37%,提升了识别性能。