随着科学技术在社会发展中的作用日益突出,对科研数据的分析就愈加重要,因此本课题的研究集中于科研数据的信息抽取问题。在很多自然语言处理任务当中,命名实体识别都是非常重要的一环,但是一直以来命名实体识别的准确率却并没有达到我们期望的精度,在中文命名实体识别的任务中尤其如此。本课题的研究重点即是中文科研数据的命名实体识别及其归一化任务。首先,本课题针对科研数据的实体识别提出了一种将多尺寸卷积核与LSTM相结合的网络结构,能有效的提升识别效果。与此同时,观察到其他一些的实体识别算法的召回率比精确率低很多,所以本课题也探索了通过改变损失函数来缓解这一情况。最后实验结果表明新的损失函数不仅能较大程度的解决召回率过低的情况也极大的提升了训练速度。其次,鉴于识别后的科研实体存在多种表示,而其内在含义一致,本课题研究了基于Siamese网络结构的实体归一化算法。大量的实验和最终系统的有效运行,证明了本课题所提算法及系统设计方案的正确性和有效性。