自然语言处理(Natural Language Processing,NLP)是人工智能领域的一个重点研究方向,是让机器能够理解人类语言的一种技术手段。而中文分词任务是中文自然语言处理任务的一项基础且重要的工作,它的分词效果将对NLP领域的下游任务譬如情感分析、机器翻译、信息抽取、知识图谱等起着举足轻重的作用。近年来,随着深度学习在各个领域的盛行,神经网络模型华丽登场,受到了广泛的青睐,NLP领域也在其中。基于神经网络的方法已成为当今的一种主流的分词方法,该方法一经提出,中分分词的性能便得到了质的飞跃,效果明显优于传统的分词方法。但此方法需要大规模的标注语料,而标注语料的获得需要人工进行标注,需要消耗大量的人力资源,为每个研究领域做一个标注语料库显然并不现实。现今可获得的标注语料大都属于新闻领域,用新闻领域数据训练得到的分词系统直接用于别的领域中,性能会明显下降,这就是分词的领域适应性问题。该问题是分词领域一个亟待解决的问题,因此,中文分词领域适应性研究有着十分重要的理论与现实意义。在此背景下,本文提出了一种基于模型迁移的中文分词领域适应性方法,通过共享模型参数的方法来提高分词模型的领域适应性能力。本文的主要工作有以下几个方面:(1)通过对Bi GRU-CRF神经网络模型的分析,提出融入Bert预训练语言模型来获得更加丰富的语义信息,即Bert-Bi GRU-CRF神经网络分词方法;实验验证了该方法的分词效果要优于Bi GRU-CRF分词方法;(2)为了解决中文分词的领域适应性问题,本文提出了一种基于模型迁移的中文分词领域适应性方法,该方法通过共享Bi GRU层的网络参数以及特征来实现模型迁移的效果;(3)在模型迁移方法的基础上加入了对抗学习的鉴别器,鉴别器可以生成一个loss,并返回到Bi GRU层,用于Bi GRU层网络参数的更新,进一步增强了模型的领域适应性。本文通过四组实验有力地验证了本文所提出的基于模型迁移的中文分词领域适应性方法的有效性。并且目标领域未标注语料规模越大,分词效果越好。将本文方法与已有的其他领域适应性分词方法进行比较,进一步证明了本文所提出的方法的可行性和有效性。