随着大数据时代的到来,如何从海量数据中快速、精准地获取信息显得尤为重要,命名实体识别研究有助于人们更好地进行信息处理等任务,从而更好地利用大数据中蕴含的信息。本文主要针对于中文命名实体识别中实体边界的确定以及实体歧义的消除这两大难点进行深入的研究,在现有的深度学习框架下进行优化,主要工作如下:1、本文提出了基于深度学习的字符级命名实体识别算法,利用卷积神经网络来提取字符级的N-gram特征,不但增加了实体与上下文之间的关联,而且不涉及人工规则以及特定领域的知识。首先,利用Wikipedia语料库来训练word2vec模型,从而得到预训练的字向量。然后,利用卷积神经网络提取字与字之间的N-gram特征。最后,通过双向长短期记忆网络和条件随机场对文本序列进行命名实体标注。2、本文提出了基于深度学习的笔画级命名实体识别算法,利用中文字符的五笔编码和神经网络来得到字的笔画级特征,获得更多的字符的形态和语义信息。首先,以预训练字向量和笔画级向量共同组成含有笔画级信息的字向量作为网络的输入。然后,利用字符级的神经网络进行标注。最后,引入桶策略来提高模型训练的速度和效率。为了验证本文提出的基于深度学习的字符级和笔画级命名实体识别算法的有效性,在SIGHAN Bakeoff-2006语料库和微博语料库上与现有文献发表的结果进行对比。实验结果表明,本文提出的字符级和笔画级命名实体识别算法性能超过了现有算法,分别在MSRA和CityU语料库中达到了91.67%和90.68%的F1值,在微博语料库上也达到最佳的结果。