命名实体识别（Named Entity Recognition, NER）是自然语言处理中的基础任务，旨在识别文本中的命名实体并对其进行分类。然而，尽管孟加拉语是全球使用人数第七多的语言，针对该语言的复杂命名实体识别研究仍相对匮乏。复杂命名实体识别（Complex NER, CNER）相较于传统NER更具挑战性，因其需要识别和分类复杂且复合的实体类型，而这类实体在孟加拉语中并不常见。本文介绍了在“孟加拉语复杂命名实体识别挑战赛”（Bangla Complex Named Entity Recognition Challenge）中的获奖解决方案，该方案针对BanglaCoNER数据集上的CNER任务，采用了两种不同的方法：条件随机场（Conditional Random Fields, CRF）以及基于Transformer架构的预训练模型微调方法，如BanglaBERT。该数据集包含15,300条用于训练的句子和800条用于验证的句子，格式为.conll。对数据集进行探索性数据分析（Exploratory Data Analysis, EDA）发现，数据集中共包含7种NER标签，且存在显著的英文词汇占比，表明该数据集具有合成性质，极有可能源自翻译生成。在实验中，我们尝试了多种特征组合，包括词性标注（Part of Speech, POS）、词尾特征、地名词典（Gazetteers）以及嵌入向量聚类信息，并对BanglaBERT（large）模型进行了针对NER任务的微调。研究发现，并非所有语言模式对人类而言都显而易见或直观，这也正是深度学习模型在自然语言处理任务中，包括CNER任务中表现更为优越的原因。我们微调后的BanglaBERT（large）模型在验证集上取得了0.79的F1分数。总体而言，本研究凸显了孟加拉语复杂命名实体识别的重要性，尤其是在合成数据集背景下的应用价值。研究结果进一步验证了BanglaBERT等深度学习模型在孟加拉语命名实体识别任务中的有效性与潜力。