中文命名实体识别作为中文自然语言处理领域中的基本任务之一,是中文自然语言处理综合应用中机器翻译、信息抽取等任务的基础环节,直接影响自然语言处理后续工作的性能。随着网络文本资源的增长,从网络中高效地发现和获取新知识,通过文本更方便地进行知识挖掘和分析,中文命名实体识别发挥着重大作用。研究实现基于深度学习的中文命名实体特征提取算法来更好地识别中文命名实体的实体特征,提高系统对中文命名实体特征的识别能力,是基于深度学习的命名实体识别问题研究的重要内容。论文以基于深度学习的命名实体识别为主要研究内容。首先,对国内外命名实体识别的解决方法进行了研究,而后,针对近几年基于深度学习的相关神经网络解决命名实体识别的方法进行分析,深入研究了基于循环神经网络、长短时记忆神经网络、门控循环单元网络等模型的中文命名实体特征提取算法。最终提出了解决中文命名实体识别问题的新方案。针对中文命名实体识别提出一种门控循环单元网络(GRU)和条件随机场(CRF)相结合的神经网络模型。对该模型在中文命名实体识别任务的应用进行深入研究,优化了模型训练过程对于中文命名实体特征提取的效果,解决了实验中中文标注语料匮乏的问题,使其能够在少量人工标注的前提下,有效地处理大量中文语料,并能在短时间内实现对语料庞大的中文数据进行中文命名实体的有效识别。最后,对基于GRU和CRF的神经网络模型进行实验对比分析,实验结果表明,该神经网络标注模型在中文命名实体识别任务中具有良好的中文命名实体识别效果,尤其是在人名和机构名方面的识别效果优于其他神经网络模型。