随着全球进入信息时代,网络的盛行促进了数据的爆炸式增长。这些数据之中潜藏着巨大的利用价值。但是面对如此海量的信息,仅凭人力来分析已经是力有未逮。利用机器进行部分自然语言处理分析的需求越来越旺盛。不同语言的处理技术会存在一定的差异。中文分词就是中文自然语言处理重要步骤之一。进行中文分词任务的研究不仅在实际工程应用上有一定的价值,对于相关的其他自然语言处理任务也存在一定的借鉴意义。当前中文分词模型主要是基于循环神经网络的模型设计,存在着长距离信息交互学习能力有限、计算时间成本较高等不足。而基于自注意力机制的计算层可以在一定程度上解决这些问题。本文针对基于自注意力机制的中文分词任务进行研究,主要工作如下:第一,将自注意力机制进入中文分词领域,提出了基于自注意力机制的中文分词网络模型。该模型结合了卷积计算和自注意力计算两者的优势,能够同时兼顾短距离信息依赖和长距离信息依赖。实验结果表明,自注意力机制的引入使得中文分词模型系统的性能得以提升,并且相对传统的循环神经网络模型提高了计算速度。第二,通过对网络层参数学习本质的分析,提出了一种基于BERT预训练的中文分词模型。该模型通过基于自注意力机制的计算层在大量无标注语料数据上的预训练提升了网络对文本的表示能力,进而提升了模型最终的分词性能。该方法利用了在大量无标注数据上进行预训练,在少量有标注数据上微调的迁移学习思想,一定程度上规避了标注数据收集难的问题。实验结果表明,通过该方法能够非常有效地学习到文本在不同语境中的表示,进而有效地提升中文分词模型性能。论文的主要贡献和创新有:提出了结合自注意力机制以及卷积计算的网络模型能够提升在中文分词任务上的性能,并且可以利用并行计算来使得网络的计算时间大幅度减小;基于BERT预训练的网络模型能够对不同语境的相同字符给出不同的表示,进而大幅度提升中文分词的性能。