字标注分词方法借助于优秀的学习算法成为当前中文分词领域中一种较为有效的分词方法。但由于汉字具有不同语言功能与含义这一特点,造成每个字的构词规律存在差异。因此,基于字进行多模型分词建模成为一种分词策略。然而,现有分词方法存在两点现象:(1)基于字进行分词建模,尽管可以学习出每个字特殊的构词规律,却忽略构词规律中的共性问题,造成模型冗余;(2)自神经网络的表示学习方法兴起,使得自动学习特征成为可能。利用神经网络进行自动表征学习成为分词领域中的自然选择。本文针对上述分词领域所存在的现象,提出相应的方法:针对现象一,本文提出了基于字簇的多模型中文分词方法。该方法借助聚类算法试图发掘构词规律分布结构,以此作为分词建模依据,重新进行特征抽取与模型训练。实验结果证明,本文所提出的方法在提高分词性能的同时,大幅度减少模型数量,避免模型冗余。针对现象二,本文提出了基于字的多Bi-LSTM模型的中文分词方法。该方法基于字进行分词建模,并借助Bi-LSTM神经网络特有的优势进行自动特征学习,避免特征工程对分词性能的影响。与此同时,为了避免模型冗余问题,引入聚类思想,提出了基于字簇的多Bi-LSTM模型的中文分词方法。实验结果表明,利用Bi-LSTM神经网络的分词方法可以大幅度提高分词性能。最后,设计并实现了基于多模型的中文分词系统。该分词系统可以对输入的句子或文本进行分词操作,并且支持分词细节展示等功能。