命名实体识别是自然语言处理任务应用的基础,针对网络安全、法律、医学等领域范围自然语言处理任务,如网络攻防领域信息抽取、法官裁判预测、医学病症识别诊疗等任务中,实体识别精准尤为重要。这些领域中实体识别错误代价较大,实体识别在这些特定领域范围自然语言处理工作中是一项既关键又基础的任务。实体识别目的是在一段特定文本中确定文本中实体的语义类别。在实体识别任务中存在上下文有效信息较少、实体词长较长的复杂实体,如“跨站脚本攻击”,一个网络攻击技术实体,通过现有深度学习结合机器学习方法可能只识别出“脚本攻击”而无法将实体识别完整。面对这些特殊领域复杂实体识别过程中出现的错识、漏识问题,文中提出了一种通过基于双向长短时记忆网络（Bi-directional Long Short-term Memory Neural Network,Bi-LSTM）结合条件随机场（Conditional Random Field,CRF）及复杂实体库（Complex entity library,CEL）匹配的方法模型（BiLSTM-CRF-CEL）,提升复杂实体识别的精准度。该模型先由Bi-LSTM提取文本句子语义向量特征,再根据文本中实体的上下文语义信息对实体进行独立分类标签打分。然后在Bi-LSTM后接入CRF根据标签之间的依赖关系对标签进行初步标注。同时,针对识别过程中一些词长较长难以识别、存在歧义和其他复杂实体建立复杂实体库,对复杂实体进行二次标注的识别模型。该模型基于深度学习,可移植性良好,根据不同领域语料训练模型,使得模型可在多领域多范围应用。为了验证BiLSTM-CRF-CEL模型有效性,一方面通过控制模型复杂实体库中复杂实体数量多少、词向量维数大小进行实验对照,另一方面通过Bi-LSTM结合CRF融合复杂实体匹配模型与其他常用实体识别模型进行实验对比。实验结果说明,文中提出模型有助于实体识别率提升。