目前每年政务公文的数量成倍增加,能从中批量的自动的识别、处理和抽取相应的对象并对所有的公文中的人员、组织、机构、职级、职务等属性完成系统的分析和管理。要完成系统的分析和管理其基础是对公文命名实体的识别,因此对于研究命名实体识别有着重大意义。命名实体识别的主要任务是识别出文本具有特殊意义的词或者短文本,包括人名、地方名等,当前命名实体识别问题已经有很多的关注。命名实体识别主流的方法基于机器学习、基于深度学习的方法。本文只针对机器学习方法和深度学习方法进行研究。本文首先详细研究了机器学习的条件随机场方法,通过CRF模型识别出政务公文中的命名实体,并进行了验证实验。之后,用深度学习的循环神经网络(RNN,Recurrent Neural Network)的一个 Bi-LSTM(Bi-directional Long-Short Term Memory)双向长短记忆法进行命名实体识别。其中对Bi-LSTM模型进行命名实体识别,通过在政务公文领域的语料进行大量的实验,实验结果发现在命名实体识别中,双向LSTM模型能够达到比CRF模型更佳的效果。此外本章最主要的研究是将Bi-LSTM和CRF两种方法进行组合使用,完成Bi-LSTM-CRF模型训练,在政务公文领域进行模型训练,并改进Embedding构造方式、改进Bi-LSTM激活函数、引入单字位置向量、改进训练模型策略,使其先用《人民日报》语料通过Bi-LSTM-CRF方法训练模型,然后用政务公文自标注语料进行模型的二次训练,最终完成相应的Bi-LSTM-CRF模型,并通过多组实验验证其F值的提升。经过一系列的研究和实验最终通过使用Bi-LSTM-CRF模型为政务公文命名实体识别的应用提供了技术模型,增加此领域的实战意义。