近些年,随着关联数据的发展,大量不同领域的知识库以RDF的形式发布出来,规模愈来愈大,内容愈来愈丰富。命名实体识别作为信息提取领域的子任务,能够构建知识库与自然语言文本之间的桥梁,利用知识库中的语义为关键字提取,机器翻译,主题检测与跟踪等任务提供支撑。因此,如何有效地提高命名实体识别的性能成为许多研究工作的焦点。本文基于开源命名实体识别系统DBpedia Spotlight提出了一套命名实体识别优化方案。该方案包括三个部分,首先针对系统使用的一元语言模型设计并实现编辑扩展的框架,增强了系统的灵活性,同时基于该框架提出了使用训练集和候选集对模型进行扩展的方法,通过人工生成候选集验证了方法的有效性;其次,通过考虑上下文单词与实体的相关性,提出了点互信息率的概念,并使用其作为阈值对系统的上下文模型进行特征选择,舍弃掉上下文中与实体相关度较低的单词,在大幅度降低模型空间的同时提高了系统标注的准确率和召回率;最后,考虑到文本内部通常会有一个中心主题,本文使用维基百科文章之间的链接为实体和文本构建主题向量,通过计算候选集中实体与文本主题之间的相似度,对系统的标注结果进行二次消歧,进一步地提高了系统标注的准确率。另外,中文作为世界上使用人口最多的语言,设计和实现一个中文命名实体识别系统是非常必要的。本文以DBpedia Spotlight为基础,分析并克服中文语言为命名实体识别任务带来的挑战,使用中文维基百科数据构建一元语言模型,设计并实现了中文命名实体识别系统,为用户提供REST服务访问和Web界面访问,填补了中文命名实体识别工作的空白。综上,本文基于DBpedia Spotlight提出了一套命名实体识别优化方案。实验结果与分析表明,该方案能够有效地提高系统的灵活性,降低系统占用的空间,改善系统的标注效果。同时本文克服了中文语言带来的挑战,设计并实现了中文命名实体识别系统,对中文命名实体识别任务的研究具有一定进步意义。