中文分词是汉语自然语言处理的基础性任务,分词的准确度直接影响到后续处理任务,分词的速度影响一些系统的实际应用。条件随机场(CRFs)是用于序列标记和数据分割以及组块分析的条件概率模型,是给定输入序列条件下计算输出序列的无向图模型。它属于“判别”模型,没有“生成”模型的代表隐马尔可夫模型(HMMs)严格的输出独立性假设,且克服了最大熵马尔可夫模型(MEMMs)等其它“判别”模型的标记偏置问题。该模型可以非常容易的将输入序列中的任意特征纳入到模型中。条件随机场理论与它之前的基于统计方法的模型有着联系。条件随机场理论有着隐马尔可夫模型面临的三个基本问题,在解决相同问题时又用到了相似的解决方法。其条件概率模型与最大熵模型的概率模型的推导原理及参数估计函数的形式相同,且其条件概率模型借鉴了最大熵马尔可夫模型的概率分布的形式。本文系统地描述了条件随机场理论。为了更清楚的描述条件随机场理论,我们先是给出了隐马尔可夫模型、最大熵模型和最大熵马尔可夫模型的相关描述。而后给出了条件随机场的定义、模型结构、势函数的定义、参数估计、训练方法和计算方法等。接着本文描述了将条件随机场用于汉语分词,采用汉字标注的分词方法及基于CRFs的中文自动分词系统的实现。基于CRFs的中文分词的准确度很高,但分词速度有待提高。分词速度是分词系统的一个重要指标,分词速度有赖于词典结构查询速度的提高,本文提出了基于双字节的双数组查询方法,速度上比基于单字节查询提高了10%左右,并针对双数组结构空间稀疏和存储空间占用量大的问题,给出了解决方法,使双字节查询方法的双数组结构在时间和空间上获得了一定的平衡。