随着智慧司法服务的快速发展和广泛应用,对司法文书的分析与挖掘已引起越来越多的关注,命名实体识别（NER）作为司法领域研究中的一项基础性任务,它能为司法知识图谱构建、法律判决预测和机器阅读理解等一系列的研究工作提供重要的知识。命名实体识别旨在识别出文书数据中的实体指称项,并标明其实体类别。近年来,许多命名实体识别的研究工作均基于深度学习、神经网络模型等,但专门针对司法领域实体识别的研究还相对较少。目前该研究主要存在以下问题:（1）司法领域命名实体识别任务无公开标注数据集与实体标注规范;（2）深度学习模型通常需要大量的标注数据来进行训练,现有标注数据不足导致实体识别效果并不理想。基于此,本文首先针对司法领域无公开标注数据集及相关标注规范的问题,定义了实体标注规范,构建了小规模标注数据集;然后针对司法文书数据标注短缺问题,提出了基于模型融合数据增强的命名实体识别方法;最后针对所提模型存在的实体标注错误,进一步提出了基于规则增强的实体标注修正方法。相关实验结果表明,本文提出的方法提高了实体识别的效果,有效改善了标注数据短缺问题。论文主要工作包括:第一,定义了司法实体标注规范并构建了小规模数据集。通过对大量离婚类文书数据的分析,参照ACE和MUC的实体标注规范,定义了人名、地名、组织机构名、时间、案号及法条六类实体的标注规范,人工标注了300篇离婚类文书数据。第二,提出了基于模型融合数据增强的司法文书实体识别方法。基于半监督学习的思想,提出了单模型融合和多模型融合方法来扩充标注数据,并分别在司法文书数据和其他两个公开的命名实体识别数据集上进行了实验。实验结果表明该方法可以有效提升司法文书的实体识别效果,且在不同类型的数据集上均获得了更好的结果。第三,提出了基于规则增强的实体识别方法。通过对司法文书数据分析,发现大多文书数据有较为规整、固定的格式,且文书中包含的实体也具有特殊性。基于此,本文借鉴基于规则的错误驱动思想,定义了专门的规则,对模型标注后数据中仍然存在的实体错误进行了进一步的修正,并尝试将模型迁移到刑事类文书数据中。实验结果表明该方法可在一定程度上改善实体识别的效果。