In der natürlichen Sprachverarbeitung sind es häufige Fälle, dass mehrere Entitäten sich gegenseitig enthalten. Die meisten bestehenden Ansätze zur Erkennung benannter Entitäten (Named Entity Recognition, NER) berücksichtigen ausschließlich flache Entitäten und ignorieren dabei geschachtelte. Wir stellen ein grenzbehaftetes neuronales Modell für geschachtelte NER vor, das Entitätsgrenzen nutzt, um kategorische Entitätslabels vorherzusagen. Unser Modell kann Entitäten präzise lokalisieren, indem es Grenzen mittels Sequenzmarkierungsmodelle erkennt. Auf Basis der erkannten Grenzen nutzt unser Modell regionenbezogene Bereiche, die an den Grenzen ansetzen, um kategorische Entitätslabels vorherzusagen. Dies senkt den Berechnungsaufwand und lindert das Problem der Fehlerfortpflanzung in geschichteten Sequenzmarkierungsmodellen. Wir integrieren mehrfachlernende Ansätze, um die Abhängigkeiten zwischen Entitätsgrenzen und ihren kategorischen Labels zu erfassen, was die Leistung bei der Erkennung von Entitäten verbessert. Wir führen Experimente auf dem GENIA-Datensatz durch, und die Ergebnisse zeigen, dass unser Modell andere state-of-the-art-Methoden übertrifft.