命名实体识别(Named entity recognition,NER)任务旨在从非结构化的文本数据中定位并分类出预定义的实体类型(如人名、地名和组织机构名称等)。命名实体识别是自然语言处理中的一项基础任务,许多下游任务依赖于其结果,如知识图谱构建、实体关系抽取、实体链接以及问答系统等。由于自然语言表达的多样性,现实语料中经常会出现实体嵌套的场景。然而,大部分现有的命名实体识别相关研究工作均忽略了该场景,从而无法充分挖掘文本中的实体信息,进而影响下游任务的性能表现。本研究针对命名实体识别任务中的实体嵌套问题提出了候选区域感知的嵌套命名实体识别模型(Candidate region aware model,CRAM)。为了减轻现有工作中存在的类别不平衡问题和提高模型效率,本文提出的方法将嵌套命名实体识别任务分解为两个子任务:实体词序列标注任务和候选区域分类任务。对应两个子任务,本研究分别设计了两个模块,实体词序列标注模块标注输入文本中每个词是否为实体词,以过滤掉部分与实体类别不相关的文本区域。候选区域分类模块则根据实体词序列标注模块的结果选出更可能为实体的候选区域,并将各个候选区域分类到对应的实体类别或分类为非实体类别。考虑到两个模块之间的依赖和联系,本研究应用多任务学习的方法将两个模块进行联合训练,两个模块共享部分参数,从而能在一定程度上捕捉模块之间的依赖和联系信息,有助于提升模型的整体性能。为了验证本文提出的模型的有效性,本研究在公开数据集上进行了详细的实验验证和分析。实验结果表明本文提出的CRAM模型能有效减轻现有工作中存在的类别不平衡问题,从而取得更好的性能表现。同时,在相同的实验环境下,本文提出的CRAM模型相对其他基于神经网络的嵌套命名实体识别模型所需要的训练时间更短。