正确识别裁判文书中的实体是构建法律知识图谱和实现智慧法院的重要基础。然而常用的命名实体识别（NER）模型并不能很好地解决裁判文书中的多义词表示和实体边界识别错误的问题。为了有效提升裁判文书中各类实体的识别效果，提出了一种基于联合学习和BERT的BiLSTM-CRF（JLB-BiLSTM-CRF）模型。首先，利用BERT对输入字符序列进行编码以增强词向量的表征能力；然后，使用双向长短期记忆（BiLSTM）网络建模长文本信息，并将NER任务和中文分词（CWS）任务进行联合训练以提升实体的边界识别率。实验结果表明，所提模型在测试集上的精确率达到了94.36%，召回率达到了94.94%，F1值达到了94.65%，相较于BERT-BiLSTM-CRF模型分别提升了1.05个百分点、0.48个百分点和0.77个百分点，验证了JLB-BiLSTM-CRF模型在裁判文书NER任务上的有效性。
