目前基于有监督方法的命名实体识别技术都需要大规模的标注语料。然而在很多新领域中命名实体定义模糊,标注语料匮乏,而且构建高质量的人工标注数据费时费力。本文任务是中文命名实体识别,首先在多个新领域中定义了实体类别和标注规范,接着采用多种低代价方法快速获取标注数据,这些数据通常都包含错误标注,最后研究如何使用噪音标注数据构建高性能的中文命名实体识别系统。本文的主要工作如下:(1)多领域数据标注和标注方法研究首先,我们在电子商务、对话和新闻领域中定义实体类别和基本标注流程。然后采用众包标注和远程监督标注方法快速构建了六份标注语料。最后,我们实现了基于条件随机场和基于深度学习方法的实体识别基准模型并在这些语料上进行实验。数据质量分析和实验结果表明,众包标注结果中的标注不一致问题对两个基准模型有不同程度的影响,其中神经网络模型具有更强的鲁棒性。而远程监督标注过程会导致不完全标注和错误标注问题,严重影响了识别性能。对此,我们应该探索有针对性的数据使用方法。(2)基于众包数据的实体识别方法基于包含噪音的众包标注数据,我们提出了一种新的中文命名实体识别方法。受到对抗学习思想的启发,我们使用了两个长短期记忆网络结构来分别学习通用标注信息和独立标注信息。标注员之间的通用标注信息是容易被大众接受和认可的命名实体知识,能够有效防止模型在训练过程中偏向于噪音标注结果。最终,我们在Bi-LSTM-CRF基准模型的基础上构建了基于众包标注数据的实体识别模型。实验结果表明,我们的新方法相比于基准模型可以获得更高的识别性能。(3)基于远程监督数据的实体识别方法我们提出了一种使用远程监督训练数据的新方法,可以在一定程度上缓解远程监督标注结果中的两类噪音问题。针对不完全标注问题,我们采用局部标注学习方法来减少句子中未确定标签的字符所带来的影响;对于错误标注结果,我们基于强化学习策略设计了一个样例选择器,用于从自动化标注的结果中挑选高质量样例作为训练数据。在远程监督数据集上的多组对比实验结果表明,本文所提实体识别模型的性能优于其它所有对比模型,能够有效减小数据中的噪音影响。总之,本文研究了标注语料的快速构建方法和噪音数据使用方法,取得了一些初步的成果。我们希望这些研究成果能够为命名实体识别以及自然语言处理领域中其它任务的发展提供帮助。