藏文命名实体识别是藏语自然语言处理的关键技术之一,也是机器翻译、信息提取和智能问答等综合应用的重要基础。藏文命名实体识别的工作目前主要使用统计方法,而统计的命名实体识别方法在处理文本形式、内容的多样化而面临效率低的问题,系统的泛化能力和可移植性较差,另外,基于统计的方法中还需要专家来根据语言学知识设计特征模板,其过程较为繁琐且系统实现周期较长。基于以上的不足,本文采用神经网络的方法结合藏文命名实体特点,利用深层神经网络模型识别藏文命名实体,可显著提高藏文命名实体识别的F值。本文首先针对藏文命名实体识别任务和方法,对国内外的科研动态以及命名实体识别的方法、任务难点和关键技术进行了讨论与分析。其次,对藏文命名实体的局部与整体特征和本身存在的一些难点做了分析。在分别介绍HMM、CRF的建模过程与算法的基础上,指出了统计模型在实际应用的缺陷和不足。同时也分析了当前模型处理藏文命名实体任务中的技术瓶颈和需解决的重点问题,结合神经网络的优势指出了改进方法。然后,对神经网络的理论基础、优化方法与参数的选择做了详细介绍。继而针对处理藏文命名实体识别问题分别介绍了几个较为主流的神经网络序列标注模型框架:词窗口、RNN、GRU、IDCNN+CRF、Bi_LSTM+CRF,并较为详细地介绍了其识别藏文命名实体的工作原理和优缺点。最后,在深层神经网络模型的基础上,针对藏文命名实体识别问题进行了大量的对比试验。通过对不同参数和模型框架下的结果对比分析,总结了一些对于藏文命名实体识别有用的参数选择经验。同时,在统一实验条件下对不同模型的藏文命名实体识别结果进行了对比。实验表明,深层神经网络模型在各个指标方面比CRF模型有较大的优势,具有更广的研究前景与应用价值。三种藏文命名实体的总和打分情况为三个指标均有提升分别为2.41%(P)、8.35%(R)、5.71%(F)。特别是组织机构名(ORG)的得分提升幅度最为明显。另外,用IDCNN+CRF和Bi_LSTM+CRF来实现了基于字级别的藏文命名实体识别实验。从处理难度上讲,基于字级别的藏文命名实体任务更具挑战性,但在测试中获得了与词级别相当的F值,证明了这种分类器在藏文命名实体中的实用性。