命名实体识别是自然语言处理中一项非常重要的基础任务,已广泛应用于自动问答、阅读理解、知识图谱、机器翻译等领域中。随着自然语言处理技术的发展和文本数据挖掘的不断深入,对于文本中语义知识的获取变得非常重要,而命名实体识别是事件或关系抽取等信息应用技术的基石,对非结构化文本信息抽取有重要的意义和作用。传统的机器学习方法在处理命名实体识别任务时,主要依赖于人们的专业领域知识和人工提取的特征。为了在不需要人工特征的条件下获得较好的结果,本文提出了一种融合字词模型的命名实体识别方法。首先,分别用BiLSTM-CRF训练得到基于字的模型Char-NER和基于词的模型Word-NER;之后,对字词模型中各自的分值向量进行运算和拼接,将拼接后的向量作为特征送入最终模型进行训练,使用最终模型对Char-NER和Word-NER进行模型融合。实验结果表明,该方法在不需要人工特征的条件下,在1998年《人民日报》语料和MSRA语料上对人名、地名、机构名识别的F-值分别达到了94.04%、92.15%、87.05%和91.73%、93.20%、83.15%。在融合模型的基础上,本文提出了融入篇章信息的机构名识别方法,通过计算篇章中的互信息对字词模型的机构名识别结果进行修正。实验结果表明,使用该方法对机构名识别结果进行修正后,在人民日报和MSRA语料上的F-值分别达到了89.72%和85.15%。