命名实体识别是指识别在文本中具有特定意义的实体。在信息提取、问答系统、句法分析、机器翻译等自然语言处理任务中,命名实体识别的精度影响这些任务的最终效果。现阶段对命名实体识别主要采取的研究方法有基于统计学的方法,这类方法往往需要人工的构造特征,耗费的时间与精力太多。有基于深度神经网络的方法,如卷积神经网络、循环神经网络及其变体长短时记忆等,往往受限于训练数据的规模,在复杂文本上命名实体识别问题往往不能得到很好的解决方案。对那些表达不规律且缺乏训练语料的开放域命名实体来说,类别实体边界判断往往会不那么精准。针对上述问题,本文基于预训练语言模型来研究命名实体识别技术,主要内容包括以下两个方面。（一）针对定义实体的特殊性、实体间长度的差异以及实体边界难以界定的问题,本文提出了一种基于预训练语言模型的序列标注方法。该模型通过利用BERT丰富向量的语义表示,使用条件随机场学习输出标签之间的依赖关系。实现了提取输出上下文之间依赖关系的目标。解决了传统的词嵌入方式语义信息不足的问题,并且通过条件随机场加深了输出序列间的联系。在与其他模型的对比实验中,该模型取得了最好的效果。证明了所提出的模型适用于从英文教科书的自由文本中提取定义的任务。（二）针对医疗文本结构的复杂性、中文文本的特殊性问题以及同一个词在不同的上下文语境中会有不同的实体类别等问题,本文提出了一种双向长短期记忆和条件随机场的组合模型。通过引入CNMER2017和CNMER2018语料库,所提出的模型提高对实体边界的判断、通过上下文判断实体类别的性能,解决了训练数据中存在的稀疏问题。在对比实验结果中,模型的效果优于文中的九种基线模型,证明了所提出的模型适用于中文医疗文本命名体识别任务。