命名实体识别是一项从文本中将具有特定意义的实体提取出来的技术,是自然语言处理领域的重要基础研究任务。在中文新闻语料中,由于文本实体中存在一词多义现象,以及长句中不同层次的特征未能得到充分整合的问题,使得现有命名实体识别模型的性能降低。人工智能的发展,使利用深度学习算法提高命名实体识别模型性能成为目前研究工作的热点。论文针对现有模型无法解决一词多义现象和不能有效捕捉多层特征的问题,提出基于注意力的多层特征融合命名实体识别模型。首先研究了基于上下文相关字向量的命名实体识别方法。该方法基于Bi LSTM-CRF模型,在传统命名实体识别模型的基础上提出了基于字向量的ELMo-Bi LSTM-CRF模型,使用ELMo动态词向量代替常见的word2vec和glove静态词向量,根据上下文的信息推断每个词对应的词向量以更准确的识别命名实体,同时在划分命名实体边界和识别缩写的实体方面该模型也有着更好的表现。其次在ELMo-Bi LSTM-CRF模型的基础上,根据每种特征的意义将注意力机制与不同模型结合,从三个角度捕捉字级、词级、句级特征,并将这些特征融合,充分利用中文文本数据中不同的多层次特征,改进了模型的质量,实现了基于注意力的多层次特征融合命名实体识别。本文针对两个改进的模型分别设计了对比实验和消融实验,在三个中文新闻数据集上的实验结果证明两个模型在命名实体识别任务方面相较于当前主流模型在精确率、召回率等指标上有了一定的提高,消融实验证明了模型的每个模块都能有效地提高模型识别的精度。