El reconocimiento de entidades toponímicas es actualmente un punto crítico de investigación en grafos de conocimiento. Bajo la guía de la política nacional de protección de libros antiguos y la promoción de la ola de investigación en humanidades digitales, este artículo propone un modelo de reconocimiento de entidades toponímicas (ALBERT-Conv1D-BiLSTM-CRF) basado en la fusión de un modelo de lenguaje pre-entrenado y características locales para abordar los problemas de ambigüedad toponímica y las diferencias en las estructuras gramaticales antiguas y modernas en el campo del Genglubu. Este modelo extrae características globales con el módulo ALBERT, fusiona características globales y locales con el módulo Conv1D, realiza modelado de secuencias con el módulo BiLSTM para capturar semántica profunda e información de dependencia a larga distancia, y finalmente, completa la anotación de secuencias con el módulo CRF. Los experimentos muestran que teniendo en cuenta los recursos computacionales y el costo, este modelo mejorado ha mejorado significativamente en comparación con el modelo de referencia (ALBERT-BiLSTM-CRF), y la precisión, recuperación y F1 aumentaron en 0,74%, 1,28% y 1,01% a 98,08%, 96,67% y 97,37%, respectivamente. El modelo logró buenos resultados en el campo de Genglubu.