命名实体识别是从文本中抽取出关键的实体信息。随着用户在网络中的交互数据量增多,为应对网络信息爆炸的问题,命名实体识别研究一直是研究热点。目前,命名实体识别的相关研究主要基于深度学习的方法开展,研究者一方面尝试在文本的字符隐藏特征表示中加入外部词典信息,另一方面在transformer框架下加强文本字符的边界信息,两者都有效地提升了实体识别的精确度。现有研究存在的主要问题主要有二,一是当前主流的中文命名实体识别模型基于字嵌入表示方法开展工作的,但是在其原字符向量中并不能有效蕴含上下文信息。二是实体信息融合的表示方法尽管改善了实体识别的整体性能,但由于词典的自身局限性,造成词典利用率低,实体匹配不完整。本文主要完成以下工作:（1）提出了一种基于图注意力网络的语义融合表示方法,提升了中文实体识别任务的F1值。首先筛选出文本中所有字符的候选实体集,然后构建文本字符与其候选实体的字符—实体关系图,通过图注意力网络对字符—实体关系邻接矩阵中的字符表示进行更新,从而得到融合上下文实体语义信息的字符表示。将这种字符表示输入到Bi LSTM—CRF实体识别模型中进行实体识别任务测试,实验在Resume、Weibo（NE）、Onto Notes、MSRA四个数据集中的F1值分别为95.38%、56.70%、74.06%、93.26%,较基于单个字符信息表示的命名实体识别方法F1值分别提高1.88%、10.69%、10.03%、4.18%,证明了所提出的字符表示方法在中文命名实体识别任务中的有效性。（2）提出了一种增强文本语义信息的特征表示方法,在工作（1）的基础上,进一步提升了中文实体识别任务的F1值。一是根据文本信息预先用余弦相似度方法筛选出词典对应的相关词汇集,将其与文本字符的特征信息以注意力机制融合,得到新的词汇特征信息;二是为进一步增强文本的字符语义信息,采用多头交叉注意力机制更新文本的字符特征,让其充分学习相关语义信息。最后,将文本字符的前后两个特征状态进行加权融合,通过条件随机场进行实体抽取。实验在Resume、Weibo、Onto Notes、MSRA数据集上的F1值分别达到96.54%、71.06%、83.03%、95.35%,与工作（1）的字符语义融合表示方法的效果又有所提升,比标准的BERT+LSTM+CRF模型的F1值提高1.03%、3.73%、1.21%、0.52%。实验进一步验证本文提出的增强语义信息方法的可行性。