命名实体识别（Named Entity Recognition, NER）是自然语言处理领域中的重要任务，其目标是识别文本中实体的边界并将其分类至预定义的类别中。在中文NER任务中，可用的标注数据极为有限。中文NER任务与中文分词（Chinese Word Segmentation, CWS）任务在词边界方面具有高度相似性，但二者也各自具备独特特征。然而，现有中文NER方法要么未能有效利用CWS提供的词边界信息，要么无法有效过滤CWS任务中的特异性特征。为此，本文提出一种新颖的对抗性迁移学习框架，旨在充分挖掘任务间共享的边界信息，同时抑制CWS任务特有的干扰特征。此外，考虑到任意字符在预测实体类型时可能提供重要线索，本文引入自注意力机制，显式捕捉两个词元（token）之间的长距离依赖关系。在两个广泛使用的不同数据集上的实验结果表明，所提出的模型在性能上显著且一致地优于现有最先进的方法。