公安反恐形势预判、应对方案制定等工作需利用包括互联网信息、案件材料在内的多种数据。涉恐文本中含有丰富的涉恐实体信息如涉恐人物、恐怖袭击地点、袭击手段等,识别涉恐实体为反恐领域信息抽取、知识图谱构建等工作提供基础支撑。本文以互联网公开的涉恐新闻文本数据为主要研究对象,研究面向反恐领域的实体识别技术。针对当前反恐领域实体识别存在公开语料集及实体标准缺乏、类别不定、识别模型结构单一、实体识别结果不能直接用于反恐领域事件抽取和知识库构建等挑战,提出一种反恐领域实体识别及利用的全流程方案。以完成涉恐实体发现与关联为目的,通过文本分类技术识别海量数据中的涉恐新闻、利用命名实体识别技术提取涉恐新闻中的细粒度实体并使用图数据库存储和关联分析实体。本文主要工作包括:（1）针对实体标准缺乏、类别不定问题,制定一套面向反恐领域的细粒度实体标签。通过制定标签规范减少了实体分类歧义对实体识别模型的影响,同时细粒度标签将角色信息编码进实体里,据此构建了反恐领域实体语料集Anti-Terr-Corpus。（2）针对传统实体识别模型结构单一、无法解决一词多义问题,提出一种基于预训练语言模型-语义编码层-标签解码层框架的反恐细粒度实体识别模型Mac BERTStacked Bi LSTM-CRF。通过Mac BERT获得融合语境信息的动态词向量表达,通过堆叠两层Bi LSTM获取关于序列前后更为丰富的上下文信息,通过CRF学习标签规律,提升分类准确率。该模型较基于静态词向量的模型在F1上增加了24.5个百分点;较单层Bi LSTM模型,F1增加了1.1个百分点;在RMRB数据集和CEC突发事件语料库上验证了模型的可适应性;实验表明该模型能够有效地捕获反恐文本中的重要实体。（3）针对反恐业务实际应用中有效标注数据较少问题,提出数据匮乏条件下应用实体识别模型的方法。使用主动学习算法在海量未标注数据集中识别对于模型学习有价值的数据进行标注,以减少实际标注数据量。根据具体数据集的实验结果得出相应需适用的基于不同策略的主动学习算法,为模型落地实战提供重要理论参考。（4）针对有效筛选涉恐文本以进行实体识别的需求,在应用领域实体识别模型的基础上,提出涉恐新闻文本分类模型Mac BERT-CLS Bi LSTM-Softmax。通过对自然文本分句、分别生成句向量后融合以代替传统截断的方法,更好地捕获文本完整语义信息从而提升了涉恐新闻长文本分类准确度。最后设计实现了涉恐新闻实体关联可视化原型系统应用验证上述技术,结合图数据库实现了对于涉恐实体的关联分析。