命名实体识别（NER）作为自然语言处理领域中不可或缺的任务,虽然其算法已经广泛运用于各种应用当中,但是基于传统机器学习或者深度学习的命名实体识别算法仍然十分依赖于许多具有相同分布的标注数据,从而导致模型泛化能力较弱。而在实际应用中标注数据的规模都较小或者数据都是与业务领域强相关的,如果要获得大量的标注数据,其代价是十分高昂的。另一方面,往往训练模型的数据分布通常不能满足独立同分布假设,所以通常由一个领域数据训练的模型往往在另一个领域表现效果都不太理想,恰好迁移学习可以通过迁移算法使得在源域训练得到的模型迁移到目标域,并且取得良好的实验结果。而在NER任务中引入迁移学习的做法,通过使用源域的标注数据构建以及训练模型,然后使用迁移学习方法在目标域数据上进行训练,从而达到减少目标域所需标注数据的目的,提高模型在目标域上的效果。幸运的是,在命名实体识别任务中,两个不同领域之间的实体它们对应的语法子结构是类似,属于领域无关信息的一部分,这部分信息是可以在不同领域之间进行迁移的,而实体的类型则是由领域主题信息决定的,属于领域特有信息的一部分,该部分信息有助于提高模型的命名实体识别效果。目前命名实体识别迁移算法面临如下挑战:（1）如何在源域和目标域中提取领域无关特征信息,如实体的语法结构信息,（2）如何融合目标域中的领域特有特征信息来提高模型在目标域上的效果,如领域主题信息。适针对以上所说的难题,论文主要工作包括:1)为了有效提取源域和目标域中领域无关的信息,本文基于深度学习方法提出命名实体识别的半监督解耦迁移算法,通过增加领域分类器使模型捕获到领域特有信息,通过三个互信息正则项来解耦领域无关信息和领域特有信息,并且根据领域无关信息与领域特有信息预测目标域数据集的实体,从而提高模型在目标域上的效果。2)解决了在缺乏实体对应相关子结构的相关标签情况下提取领域无关信息的问题,通过使用互信息正则项,模型可以在有限监督信号内完成模型领域无关信息与领域特有信息的提取。跨领域迁移实验、跨语言迁移实验以及低资源迁移实验的结果表明,模型均可在对应的数据集上取得较好的实验结果,能够通过互信息来解耦得到领域无关信息和领域特有信息,从而提升模型迁移效果。