蒙古文自然语言处理是助推蒙古文信息化极为关键的一步。蒙古文命名实体识别任务为其中最基础的一部分。它的主要目的是从海量的蒙古文非结构化文本中识别出特定类别的名词。同时,它也是提升蒙古文信息检索、机器翻译、问答系统等下游任务性能的关键步骤。相较英文、中文等拥有充足语料的语言,蒙古文的语料库十分稀少、扩充速度十分缓慢,且由于蒙古文本身构词结构复杂,形态多变的黏着语特性,加大了命名实体识别的难度,制约了蒙古文相关工作的发展。目前深度神经网络模型已被广泛用于自然语言处理的各项任务,但是蒙古文命名实体识别领域中深度神经网络相关工作较少。因此,本文提出使用深度神经网络构建蒙古文命名实体识别系统,利用模型自动学习蒙古文内部的语言特征,减轻了传统方法对人力物力的依赖,使蒙古文命名实体识别系统的性能得到了进一步的提升。本文主要研究内容如下:(1)通过对蒙古文复杂多变的构词方法进行研究和分析,本文提出将蒙古文命名实体中部分后缀进行切分,构建蒙古文特有的词素向量,并根据蒙古文语言特点设计了新的标注方式,最后通过多组对照实验挑选出了最适合本文任务的标注方法。这一工作为后续构建基于深度神经网络的蒙古文命名实体识别系统做了准备;(2)通过对主流蒙古文命名实体识别方法的研究、对比与分析,本文提出使用改进Transformer模型的TENER模型。该模型构成的蒙古文命名实体识别系统在训练速度,识别效果上都优于其他主流模型,本文的实验也证明了其性能的优越性;(3)根据目前自然语言处理领域各大任务的研究趋势,本文将最有代表性的预训练语言模型与TENER模型相结合,构建了BERT-TENER模型与ALBERT-TENER模型进行蒙古文命名实体识别,通过实验对比可以验证其提升系统识别效果的能力;(4)针对目前蒙古文标注语料缺乏的问题,本文提出引入无标注的双语平行语料资源,利用平行语料通过双语词对齐的方式构建词典,将词典数据进行人工修正后,利用词典的映射关系构建出了融合跨语言知识的模型。实验证明融合跨语言知识构建的系统有着非常优异的效果,丰富了蒙古文词素向量的语义表示,提升了系统识别蒙古文命名实体的精度。