自然语言处理（Natural Language Processing,NLP）是人工智能领域的重要组成部分,该方向中包含了文本处理、信息抽取、情感分析、信息检索、机器翻译、问答系统等等应用。这些应用的基础工作是命名实体识别（Named Entity Recognition,NER）,后续工作的效果将直接受其识别结果影响。中文命名实体识别的任务是识别待处理文本中各个代表具体实际意义的实体。目前,常用的解决方法是基于深度学习的方法,但传统的深度学习模型参数量大,无法有效捕获长距离特征,训练过程中无法充分利用GPU的并行性,而且传统的语言表示模型无法解决中文中存在的一词多义的问题,为后期工作造成困难。针对这些问题,本文提出以下两种解决方法:（1）提出了基于BSTTC（BERT-Star-Transformer-Text CNN-CRF）模型的中文命名实体识别方法。为了避免分词产生的错误进一步传播,在语言表示模块使用了单字向量的概念,并且使用了BERT模型以解决中文存在的一词多义问题。在特征抽取阶段,为了解决经典Transformer模型计算内存开销大且训练效率低的问题,使用了轻量Star-Transformer模型作为特征提取模块中的基础模型进行堆叠得到含有内部语义信息和句子局部特征的表示矩阵,并添加了Text CNN作为全局特征提取器以弥补Star-Transformer长距离特征提取的不足。最后,深度学习模型输出的特征向量序列作为条件随机场的输入从而得到句子序列最佳标签判别结果。通过设计多组对比实验,证明了该方法中各个部分的有效性,与现有模型对比结果也表明,此方法能够有效的提高中文命名实体识别效果。（2）提出了基于双向图注意力网络的中文命名实体识别方法。为了解决传统特征抽取模型Bi LSTM无法实现并行运算并且CNN模型很难提取到全局信息的问题,通过在两种图结构中并行运行图注意力机制模拟Bi LSTM与CNN的特征提取过程,这样做不仅可以捕获句子的远距离特征,而且充分利用了GPU的并行性。另外,考虑到句子的序列信息对于最终的标签判别结果具有一定程度的影响,在图注意力网络中使用了双向机制。实验结果表明,该方法较传统方法相比,在识别的准确率和F1值上均有提升。