针对低资源语言缺少标签数据，而无法使用现有成熟的深度学习方法进行命名实体识别（NER）的问题，提出基于句级别对抗生成网络（GAN）的跨语言NER模型——SLGAN-XLM-R（Sentence Level GAN Based on XLM-R）。首先，使用源语言的标签数据在预训练模型XLM-R （XLM-Robustly optimized BERT pretraining approach）的基础上训练NER模型；同时，结合目标语言的无标签数据对XLM-R模型的嵌入层进行语言对抗训练；然后，使用NER模型来预测目标语言无标签数据的软标签；最后，混合源语言与目标语言的标签数据，以对模型进行二次微调来得到最终的NER模型。在CoNLL2002和CoNLL2003两个数据集的英语、德语、西班牙语、荷兰语四种语言上的实验结果表明，以英语作为源语言时，SLGAN-XLM-R模型在德语、西班牙语、荷兰语测试集上的F1值分别为72.70%、79.42%、80.03%，相较于直接在XLM-R模型上进行微调分别提升了5.38、5.38、3.05个百分点。
