不同于英语等语种,中文词语之间没有明显的分隔符,这对于中文的理解造成了一定的困难。为了便于计算机对中文的理解,需要将中文文本按词语进行分割,这就是中文分词任务。近年来,基于神经网络的中文分词方法取得了远超传统分词方法的效果,因而成为了当下的主流分词方法。神经网络模型的训练需要大规模的人工标注语料,而人工标注需要耗费大量的人力物力,并且为每个领域都进行人工标注显然也是不符合实际的。现今可获得的有标注语料基本都属于新闻领域,使用新闻语料训练的模型来对其他领域进行分词,效果会急剧下降。这是不同领域文本之间的表达鸿沟和未登录词造成的,这就是中文分词的领域适应性问题。针对以上问题,本文提出了一种结合新词发现算法的跨领域中文分词系统,通过自动标注来实现对目标领域无标注语料的利用。本文的主要工作如下:（1）本文基于传统的新词发现算法和中文分词算法搭建了一个结合新词发现的跨领域中文分词系统。该系统首先利用新词发现算法从目标领域语料上提取出新词词表,然后基于该词表对无标注的目标语料进行自动标注,最后使用基于自动标注语料训练的模型对目标领域进行分词;（2）针对现有新词发现算法提取出的词表垃圾词串多和领域性差的缺点,本文充分考虑到语料中词语的统计信息和语义信息,提出了一种基于向量增强互信息的无监督新词发现算法。通过对各个目标领域语料进行新词发现,可以看出本方法可以显著的增强新词词表的准确率和领域性;（3）针对自动标注语料中存在少量噪声样本的缺点,本文提出了一种基于对抗式训练的中文分词算法。通过对各个领域语料进行分词对比,可以看出本方法可以显著的提升模型的准确性、鲁棒性和泛化性。