进入信息时代以来,网络中信息的数量以惊人的速度急剧增加。用户要在这些巨量的信息资料中准确找到所需的部分极其困难,如何利用计算机辅助用户过滤噪声数据,挖掘有用信息已经成为目前的研究热点。命名实体识别是利用计算机从自然语言文本中抽取出命名实体,为之后更高级的任务奠定基础。对于科研技术人员来说,经常需要从大量文献中寻找资料,而中文领域的命名实体识别研究目前还大多集中于通用领域,也就是新闻文本领域,涉及科技领域的命名实体识别还鲜有人进行研究。为了对科技文本这一具体领域进行有效实体或者术语的识别,提出了依存实体词向量的生成方法,搭建了针对科技领域实体识别的模型,开展了科技领域实体识别方法的研究并进行了实验验证。针对科技领域文本中专业术语多为组合词的特点,利用互信息和TF-IDF等方法构建科技术语词典,保证了对语料进行分词时能够尽可能完整地保留术语,为之后进一步的词向量预训练做准备。此外,根据科技文本句式结构清晰简洁、指代明确的特点,将句子间词语的依存特征引入了词向量训练的过程,构建了依存实体词向量的生成模型,并从语义相似度层面进行了词向量训练方法的对比,验证了依存特征对词向量语义的提升作用,并将训练得到的依存实体向量作为之后实体识别模型的预训练词向量。针对目前主流中文领域命名实体识别模型仅利用字符向量进行序列建模而损失了词和词序列信息这一问题,建立了科技领域实体识别的lattice输入层,将字符向量和词向量进行拼接,从而能够同时利用字符和词语两个粒度的信息,为利用依存实体词向量提供条件。为了能够利用句子全局的信息,建立了Bi LSTM-Attention的序列建模层。设计了实验分别研究了lattice输入层、依存词向量以及Attention机制对实体识别效果的影响。从实验结果证明了依存实体词向量对科技领域的实体识别性能有明显提升,Attention机制对通用领域和科技领域的实体识别都有性能的改善。综上,本文立足科技领域实体识别的特点,基于这些特点进行了科技领域实体识别方法的研究,在现有方法基础上提高了实体识别的性能。