制造执行系统（Manufacturing Execution System,MES）是智能车间的重要功能,通过MES可以实现工艺信息的从设计过程到制造过程的传递。然而,输入MES的工艺信息是非结构化的文档,这给自动化的信息识别带来困难。因此工艺信息的自动识别是将MES中的非结构化数据转变为结构化数据的关键。基于深度学习的命名实体识别方法在结构化信息提取中表现出极大的潜力。但是,真实工业场景中工艺文档细粒度、小样本、多模态的特点,给工艺命名实体识别带来障碍。为此,本文针对细粒度任务和小样本数据展开研究,提出了基于深度学习的命名实体识别方法,并在工程案例中进行验证。首先,针对细粒度命名实体识别问题,提出了一种基于注意力机制的深度学习模型（BFB-attention）。该方法以BERT预训练模型输出的语义特征为基础,添加了细粒度特征和实体边界特征。其中,细粒度特征是基于先验标签分布设计的词向量扩展编码,实体边界特征是根据实体边界距离设计的平滑边界纹理词向量。通过字符级别的注意力机制,融合了BERT语义特征、细粒度特征和实体边界特征。该方法在细粒度命名实体识别数据集CLUENER上进行验证,表现出比其他命名实体识别方法更好的识别效果。其次,针对小样本命名实体识别问题,在BFB-attention模型的基础上,提出了一种“切片分治”的数据增强方法。该方法可以在数据增强过程中,实现标签序列对齐。对非实体序列采用了EDA数据增强方法,以词向量相似度为依据,对非实体序列进行无条件文本增强;对实体序列设计了字典增强方法,并用Simhash算法快速筛选相似序列。该方法在CLUENER和MSRA数据集上进行小样本测试,其识别效果较原方法更好。然后,针对某飞行器加工过程工艺信息提取的工程实例,实现了从案例分析到数据预处理、再到算法应用及系统开发的一整套流程。基于多模态数据的特点,设计了数据清洗、模态归一等预处理方法,将BFB-attention模型加“切片分治”数据增强的命名实体识别框架应用于工艺信息的命名实体识别中,并使用真实的工艺规程数据,验证了上述方法的识别性能。实验结果表明,该方法可在工艺规程数据中取得0.937的F1分数,相较其他方法能更准确的提取工艺信息。通过开发工艺信息提取系统,封装了文档预处理和识别模型,实现了工艺文档中信息的结构化提取。最后,对全文的主要工作进行总结,并展望了值得进一步研究的方向。