中文分词是语义理解的关键环节,也是中文信息处理的瓶颈问题。由于中文具有特有的书写方式和其自身的复杂性,中文分词也是分词技术中的研究难点。目前,中文分词主要采用四种方法,包括字符匹配方法、基于统计的方法、基于理解的方法和深度学习方法。深度学习可以通过优化最终目标,有效的学习原子特征和上下文的表示,同时避免了繁琐的特征工程,能够更加有效的刻画长距离句子信息。目前,通用的分词工具在领域内的效果并不好,例如冶金领域,特定领域的分词很少有研究。由于特定领域具有其特殊性,领域概念、领域知识和领域术语都包含在特定领域中,所以现有的分词工具并不能达到很好的分词效果。近年来,神经网络在中文分词中的有效性已经被证实。然而,这种有希望的表现依赖于大规模的训练数据。由于缺乏标记的训练数据,具有传统架构的神经网络无法在低资源数据集中实现期望的结果。对于小规模的特定领域的语料,本文以冶金领域为例提出了一种基于双向长短时记忆模型的特定领域的中文分词方法。结合双向循环神经网络模型和长短时记忆神经网络模型的优点形成了双向长短时记忆神经网络模型,所以双向长短时记忆神经网络模型具有可以捕捉长距离信息的优点。本文先是用基于双向长短时记忆模型的中文分词方法对公共数据集进行分词,并且与前人工作进行了对比,验证了双向长短时记忆模型在分词上的有效性。之后把双向长短时记忆模型应用到冶金领域,提出了基于双向长短时记忆模型的中文领域分词方法。该方法使用集成学习的思想,通过对字的标签概率进行权重结合,并利用最优转移概率求解分词结果。实验结果表明,本文提出的特定领域的中文分词方法可以实现更好的分词效果。最后,设计相应的分词系统,通过选择具体领域,特定领域的中文分词方法可以应用于相应领域的分词任务,具有一定的领域适用性。