Dans le traitement du langage naturel, il est fréquent que de nombreuses entités contiennent d'autres entités à l’intérieur d’elles. La plupart des travaux existants sur la reconnaissance d’entités nommées (NER) ne traitent que des entités plates, tout en ignorant les entités imbriquées. Nous proposons un modèle neuronal conscient des bornes pour la NER imbriquée, qui exploite les bornes des entités afin de prédire leurs étiquettes catégorielles. Notre modèle localise précisément les entités en détectant leurs bornes à l’aide de modèles de labelisation de séquence. À partir des bornes détectées, le modèle utilise les régions pertinentes aux bornes pour prédire les étiquettes catégorielles des entités, ce qui permet de réduire le coût de calcul et de limiter le problème de propagation d’erreurs présent dans les modèles de labelisation de séquence hiérarchiques. Nous introduisons l’apprentissage multitâche afin de capturer les dépendances entre les bornes des entités et leurs étiquettes catégorielles, ce qui améliore significativement la performance de détection des entités. Nous menons nos expériences sur le jeu de données GENIA, et les résultats expérimentaux démontrent que notre modèle surpasser d’autres méthodes de pointe.