随着网络时代的来临,互联网已成为最重要的信息载体。网络社交媒体中的文本信息量每日剧增,自然语言处理的一个重要目标就是在这些大规模数据中挖掘和理解有价值的信息。在一系列相关应用中(比如机器翻译、知识图谱、人物关系图谱),命名实体识别、实体链接等基础技术都是关键的底层技术。在文档中,命名实体(如人名、地名、公司名,地点等)是基本的信息元素,往往指示了文章的主要内容。命名实体识别的任务就是定位这些有意义的信息,并正确的标识出信息的类别属性。得到实体和实体类别后将结果传递给后续的实体消歧、实体链接工作。因此,命名实体识别是知识图谱构建、信息抽取等领域的基础技术链上最重要的关键环节之一。另外,对于文摘生成,机器翻译等很多自然语言处理任务,命名实体对于文本也有特殊地位。在文摘生成中,填充内容大多是对“谁“、“干什么”、“什么时候”、“在哪里”等问题的回答,其中一些问题刚好对应了人名、地名、时间等实体类别;在在机器翻译中,专有名词(通常为命名实体)往往由于音译(比如人名唐纳德特朗普)、历史文化等的原因更难翻译。中文命名实体识别任务总体和英文是相似的,但因为中文语言本身的特点(词汇大、需要分词、没有大小写等形式特征等),处理上要难于英文。本文探究命名实体识别的几大关键技术点,并着眼于中文文本命名实体识别任务的具体实现进行探究和改进。在研究和实验中:(1)学习和对比当前流行的几个同神经网络结合的命名实体识别框架,探究了LSTM等网络在命名实体识别系统中的最佳实践参数;(2)对框架应用于中文语料进行配适和改进,融合字词联合词向量模型,通过提高词向量模型的表达效果一定程度上弥补了中文词汇量大,字词分界不明显所带来的影响;(3)修改和比较了不同的分类器方案和迭代算法并提高了模型训练效率。最终设计实习的针对中文文本处理的神经网络结合条件随机场的命名实体识别模型,实验测试了多个不同的数据集。在不使用任何额外的标注特征和词汇特征的情况下,获得了不错的分类效果,并具有不错的泛化能力。