在我国苹果种植业的悠久历史中,病虫害问题一直以来都被视作限制苹果产业发展的最常见因素。当苹果种植过程中遭遇病虫害侵袭时,多数苹果种植从业人员由于专业知识的匮乏,无法对病虫害做到对症下药,可能会贻误防治病虫害的最佳时机,使情况更加恶化。因此,从苹果病虫害领域专业文献资料之中抽取有效的防治信息帮助苹果种植从业人员来更好的解决病虫害问题具有重要的现实意义。其中,命名实体识别作为信息抽取任务中最为基础的关键步骤就显得尤为重要。目前,苹果病虫害领域命名实体识别研究还处于初期发展阶段,缺乏较为成熟的语料数据集。并且苹果病虫害领域语料的专业性较强,包含较多领域术语和专有名词,具有命名实体类别繁多、相同实体存在多种别称或简称、稀有实体难以识别等特点。针对上述问题,本文面向苹果病虫害领域文本开展相关研究,具体研究内容如下:（1）针对缺少成熟的苹果病虫害领域命名实体识别数据集的现状,本文整理收集苹果病虫害防治领域专业文献,并对其进行去重、数据格式转换等预处理,构建了中文苹果病虫害命名实体识别语料数据集ApdCNER（Apple pests and diseases corpus for Chinese Named Entity Recognition）,填补了当前该领域研究的空白。该数据集共包含21个实体类别,5574条样本和11876个实体,为本研究及后续研究奠定了数据基础。（2）根据苹果病虫害领域语料所具有的特点,本文提出了面向该领域语料的命名实体识别模型APD-CA。该模型以基于字符的BiLSTM-CRF模型作为基线模型,针对数据中的稀有实体以及别称简称识别效果不佳的问题,引入了词汇信息,以提供更多的语义信息和实体边界信息,并设计了一种基于词汇重要性的词汇融合方法使模型可以同时并行处理多个句子;针对部分实体类型数据较少的问题,通过引入相似词汇对句子样本的语义进行补充,弥补数据不足的问题。（3）本文从多个角度设计对比实验对所提出的苹果病虫害命名实体识别模型APDCA进行研究分析。实验结果表明,APD-CA模型在ApdCNER数据集上的精确率、召回率、F1值分别为92.29%、91.99%、92.14%,相较于基线模型BiLSTM-CRF分别提升了2.95%、2.13%和2.54%,同其他4种SOTA（State of the art）模型相比也均有不同程度上的提高,证明了该模型在苹果病虫害命名实体识别任务上具有性能优势。同时,其他的实验结果也进一步证明了该模型具有效率优势以及一定的泛化性。本文的研究有效提升了苹果病虫害领域命名实体识别任务的效果,为苹果病虫害领域的知识图谱构建,智能问答系统,智能语义搜索等下游研究工作提供底层技术支撑,帮助苹果种植从业人员更加高效便捷的找到对应病虫害的防治方法。