针对传统命名实体识别方法无法有效利用实体边界信息问题，提出一种联合实体边界检测的命名实体识别方法，即将实体边界检测作为辅助任务，增强模型对实体边界的判断能力，进而提升模型对实体的识别效果。首先，利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量，并引入自注意力机制来增强词对上下文信息的利用；其次，在命名实体识别任务基础上，添加实体边界检测辅助任务，来增强模型对实体边界的识别能力；最后，使用条件随机场来学习上下文转移概率，并输出预测结果。实验结果表明，在英文社交媒体数据集Twitter-2015上，联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的准确率、召回率和F1值，其中F1值上可达到73.57%。所提方法能有效利用实体边界信息从而获得更好的实体识别效果，促进了人机交互系统的发展，对自然语言处理下游任务有重要意义。