与英语等印欧语系书写系统中词与词之间用空格分隔不同,汉语词与词之间没有明显的分隔符。而词作为最小的能够独立活动的有意义的语言成分,能提供基本的语义信息,缓解一字多义带来的歧义问题。因此,汉语分词是中文信息处理中重要的基础任务之一,其目标是将输入句子中连续的汉字串按照一定规范切分成词序列。汉语分词是句法分析、语义角色标注、信息抽取等很多中文信息处理任务的首要步骤,具有广泛的研究价值和应用前景。现有的汉语分词大多采用单粒度分词形式,即一个句子对应唯一的一个词序列。然而,单粒度分词存在两方面的局限性:一方面,由于对汉语词边界认知的主观差异性,难以制定统一的汉语单粒度分词标注规范。即便在同一规范的标注数据中,也存在标注不一致现象,给后续分词模型的训练带来困扰。另一方面,单粒度分词难以满足不同任务或应用对分词粒度的差异性需求。细粒度词通常能表达更细致的基本信息,缓解数据稀疏问题,常被用于句法分析和语义分析等任务;而粗粒度词能提供更完整的上下文信息,表达语义更精确,常被用于信息抽取、精确搜索等。基于以上考虑,本文以汉语多粒度词语为研究对象,尝试从层次和搭配两个角度表示并分析不同粒度词语的内部结构,并将该结构信息应用到下游中文信息处理任务。主要研究内容与创新性体现在:（1）汉语多粒度词语层次结构分析针对现有的单粒度分词标注规范难统一,且单粒度分词形式难以满足不同任务或应用场景对分词粒度差异性需求等问题,提出了用层次化结构树来描述句子中所有不同粒度词的多粒度词语层次结构体系。首先,规定了汉语多粒度词边界的界定准则并将其用层次化结构树表示,在此基础上制定了详细的标注规范,首次人工标注了超过9,000个句子的多粒度词语层次结构作为测试数据。然后,提出将现有的大规模多源异构单粒度分词数据自动转化成多粒度词语层次结构伪标注训练数据的神经耦合模型,解决了训练数据缺失问题。接着,提出基于短语句法分析框架的汉语多粒度词语层次结构分析方法。最后,利用弱标注训练数据指导模型训练,进一步提升了汉语多粒度词语层次结构分析模型的性能。（2）汉语多粒度词语搭配结构分析汉语多粒度词语层次结构分析主要着力于刻画不同粒度词的组成成分,但未考虑各成分之间的搭配关系。为了进一步分析多粒度词语构成模式,即字如何构成细粒度词以及细粒度词如何进一步构成粗粒度词,提出基于依存树表示的多粒度词语搭配结构分析方法,从而更有效地表示词语,缓解数据稀疏问题。首先,制定了一个包含11种搭配关系标签的标注规范,人工标注了超过3万个词的内部搭配结构。然后,将词语搭配结构分析作为一个新任务,基于双仿射依存分析器自动预测词语搭配结构。为了验证汉语词语搭配结构在缓解数据稀疏问题上的作用,以句法分析任务为例,提出了编码词语搭配结构表示的方法,将其作为额外的特征用于提升句法分析的性能,实验结果验证了其在表示词语上的有效性。（3）融合多粒度词语结构信息的汉语命名实体识别为了验证汉语多粒度词语结构信息对下游中文信息处理任务的作用,本工作以汉语命名实体识别任务为例,在分别分析输入句子对应的多粒度词语层次结构树和搭配结构依存树基础上,将多粒度词语层次结构和搭配结构融入到命名实体识别模型中,提出一种命名实体识别新的层次化神经网络模型,以更有效地表示词语。实验结果表明,多粒度词语层次结构和搭配结构表示能有效互补,提升了汉语命名实体识别的性能。综上,本文针对汉语语言特点,对汉语多粒度词语结构展开分析,提出多粒度词语的层次结构和搭配结构表示方法及相应的分析模型,并将多粒度词语结构信息成功应用于命名实体识别和依存句法分析等任务中,验证了其对下游任务的作用。期待对汉语多粒度词语结构分析的研究在能满足不同任务或应用场景对分词粒度差异性需求的同时,可以更有效地表示词语,从而推动更多中文信息处理任务的进步。