中文自动分词是指使用机器学习根据特定规范将连续的字序列重组为词序列的过程,是自然语言处理的第一步,这对自然语言处理有着重大意义。准确的中文分词结果能够为后续语言处理打好基础,以便更好地完成后续文本分析等工作。当前中文分词存在的主要难点在于切分歧义以及未登录词的识别。这些问题的存在会导致中文自动分词容易产生错误的分词结果,使机器学习不能正确理解文本的含义,误导后续自然语言处理的工作。因此本文对中文分词模型的研究重点便放在解决这两个问题上,以求提高分词准确率。为了解决基于当前单一模型无法解决的分词歧义及未登录词识别任务,本文在分词的各个阶段协调地选取最佳的分词模型进行组合,以条件随机场中文分词模型为基础模型,提出一种获取增量学习词典信息的方法对其进行改进,为中文分词研究提供一种新的研究思路。本文方法充分挖掘了训练语料中符合构词规则且多次出现的固定组合的信息,以解决中文分词中的跨越标记切分现象,并且对增量训练集进行主动学习,识别其中最有争议的小部分词语以修正语境迁移时的未登录词识别问题。首先利用全模式匹配过滤方法识别训练语料中固定搭配、反复出现且有意义的子串构建初始词典,利用初始词典分别对训练语料和增量训练语料进行逆向最大匹配切分,并对切分后的训练语料进行词位标注,建立条件随机场中文分词模型;而后对增量训练集进行初步切分,得到分词结果,利用N-gram语言模型找出其中最易出错的句子,人工识别出其中易错词语加入初始词典形成最终的增量学习词典;最后基于最终词典采用逆向最大匹配方法对测试语料进行匹配切分,再次调用模型参数对其进行分词。本文分别采用四词位和六词位标注集以及相应的特征模板,在国际中文分词测评Bakeoff-2005的语料上进行封闭训练和测试,实验结果表明,与基于字标注的条件随机场中文分词方法相比,本文提出的基于条件随机场和增量学习词典信息的中文分词模型有助于提高分词准确性,且在对未登录词的识别方面有较大的提高。