命名实体识别作为自然语言处理领域的基础性任务,实体抽取的效果好坏直接影响到关系抽取、事件抽取等下游任务的上界。传统的实体抽取技术大多采用词典规则和统计机器学习方法,在低资源的目标语言和目标领域中,不能有效地进行实体抽取。随着跨语言词向量、迁移学习和深度神经网络模型的出现,为解决上述问题提供了新的思路。本文旨在探究跨语言和跨领域情境下的实体抽取问题,即在目标语言和目标领域实体标签语料很少、文本噪音多的情况下,如何对目标语言和目标领域进行有效地实体抽取。在现有研究中,迁移学习和深度学习尚未系统地应用于跨语言和跨领域命名实体识别任务中。鉴于此,在跨语言情境下,提出一种基于标签迁移学习和深度学习的跨语言命名实体识别框架CL-NER（Cross Language-Named Entity Recognition）;在跨领域情境下,提出一种基于参数迁移学习和深度学习的跨领域命名实体识别框架CD-NER（Cross Domain-Named Entity Recognition）。具体而言,本文的主要工作包括如下两点:1)提出融合迁移学习和深度学习的跨语言命名实体识别框架CL-NER,将跨语言实体抽取分解为跨语言标签映射和命名实体识别两个子模块。基于标签的迁移学习思想,通过廉价翻译、词典规约和自学习三种方法,将源语言的标签数据迁移给目标语言;在此基础上对目标语言建立三种不同的命名实体识别模型。在跨语言标签映射模块中,自学习方法取得最好的实验结果;在命名实体识别模块中,GRU-LSTM-CRF深度学习模型取得最好的实验结果。当目标语言的语料资源有限时,可借助源语言丰富的标注语料,使用跨语言迁移学习方法,提高目标语言命名实体识别的效果。2)提出融合迁移学习和深度学习的跨领域命名实体识别框架CD-NER,将跨领域实体抽取分解为命名实体识别和参数迁移学习两个子模块。在命名实体识别模块中,源领域和目标领域均使用LSTM-CRF深度学习模型进行实体抽取;基于参数的迁移学习思想,通过多任务学习和预训练两种方法,实现从源领域到目标领域的参数迁移,其中BERT-FineTune方法取得最好的实验结果。当目标领域的文本噪音多,可借助源领域丰富的标注语料和成熟的预训练模型,使用跨领域迁移学习方法,提高目标领域命名实体识别的效果。