航天情报实体识别是航天情报信息提取的一个子任务,摆在航天情报信息提取任务面前最大的难题就是标注语料的缺乏。因此,本文以航天情报领域缺乏标注语料这一难题作为切入点,一方面融合多源异构知识构建知识库,通过知识库指导标注小规模数据集,另一方面通过预训练模型进行迁移学习来解决标注数据量较少的问题,通过以上两方面工作解决航天情报领域存在的数据集少、标注数据困难等问题。本文主要研究航天情报实体识别（Aerospace Intelligence Entity Recognition,AIER）。本文的主要研究内容如下:1.对数据库、书籍、互联网等蕴含的航天领域知识,提出相应的提取、融合办法,并构建航天情报知识库。利用知识库驱动的启发式标注算法进行数据集的标注。2.构建基于统计机器学习方法的航天情报实体识别模型,本文分别用隐马尔可夫模型（Hidden Markov Models,HMM）、条件随机场（Conditional Random Fields,CRF）模型进行航天情报实体识别任务,发现CRF模型在标签预测上具有更好的效果。3.结合深度学习的表示学习能力和CRF模型的结构化预测能力,并应用到航天情报实体识别任务上。结合双向长短期记忆网络（Bidirection Long ShortTerm Memory,Bi LSTM）和CRF模型,构建了Bi LSTM-CRF模型。该模型能够达到91.88%的准确率、93.64%的召回率和92.75%的F1值。4.从航天情报实体识别数据集较小这一问题入手,使用大规模中文语料库上训练过的预训练模型,通过迁移学习的方法,应用到航天情报实体识别任务上,以BERT（Bidirectional Encoder Representations from Transformers,BERT）和ALBERT（A LITE BERT,ALBERT）为基础,分别构建了BERT-CRF模型和ALBERT-CRF模型。其中BERT-CRF模型能够取得93.68%的准确率、97.56%的召回率和95.58%的F1值,相较于Bi LSTM-CRF模型,其中准确率提升了1.8%,召回率提升了3.92%,F1值提升了2.83%。5.本文构建了基于预训练模型的中文航天情报实体识别软件系统,能够快速、准确的从航天情报中识别航天实体。