命名实体识别（Named Entity Recognition，简称 NER）是一类自然语言处理（Natural Language Processing, NLP）技术，用于从文本中自动发现并识别具有特定意义的实体，并将其划分到预定义类别中，例如人物（Person）、组织（Organization）、地点（Location）、时间、数量以及专业领域实体等。该技术是信息抽取、知识图谱构建和智能搜索系统中的基础任务之一。

命名实体识别的发展建立在信息抽取、统计自然语言处理和机器学习等多个领域的长期研究基础之上。早期 NER 方法主要依赖人工设计规则、词典匹配以及统计模型完成实体识别，但在复杂语境和跨领域任务中泛化能力有限。随着深度学习的发展，研究人员开始利用神经网络自动学习文本上下文特征。 2016 年，卡内基梅隆大学研究人员 Guillaume Lample 等人在论文 Neural Architectures for Named Entity Recognition 中提出基于双向 LSTM 与条件随机场（BiLSTM-CRF）的神经网络命名实体识别方法，减少了对人工特征工程的依赖，成为神经 NER 领域的重要代表性研究工作之一。

现代命名实体识别系统通常结合预训练语言模型（如 BERT）、大语言模型（LLM）以及领域适配技术，对文本中的实体边界和类别进行识别。模型通常通过精确率（Precision）、召回率（Recall）和 F1 值等指标进行评估，并广泛应用于知识图谱构建、智能问答、金融信息分析、医疗文本处理和舆情分析等场景，为非结构化文本向结构化知识转换提供了重要技术支持。