Récemment, la construction de systèmes fiables de reconnaissance d'entités nommées (NER) à partir de données annotées limitées a attiré beaucoup d'attention. Presque toutes les études existantes s'appuient fortement sur des ressources spécifiques à un domaine, telles que des lexiques externes et des bases de connaissances. Cependant, ces ressources spécifiques à un domaine sont souvent indisponibles, et il est difficile et coûteux de les construire, ce qui constitue un obstacle majeur à une adoption plus large. Pour résoudre ce problème, dans cette étude, nous proposons une nouvelle approche robuste et adaptable aux domaines, RDANER (Robust and Domain-Adaptive Named Entity Recognition), pour le NER en faible ressource, qui n'utilise que des ressources bon marché et facilement accessibles. Des expériences approfondies sur trois jeux de données de référence montrent que notre approche atteint les meilleures performances en utilisant uniquement des ressources bon marché et facilement accessibles, et fournit des résultats compétitifs par rapport aux méthodes les plus avancées qui utilisent des ressources spécifiques au domaine difficiles à obtenir. Tous nos codes source et corpus peuvent être consultés sur https://github.com/houking-can/RDANER.