随着信息技术的发展,我国需要对农业的发展进行转变和改革。目前大力推动农业方面的信息化建设已成为我国发展的重要任务,这也是实现农村现代化较为重要的一步。网络中的数据以爆炸性增长,为了从海量数据中获取目标数据,搜索引擎应运而生,当前搜索引擎是人们快速获取信息的主要工具。搜索引擎的搜索结果匹配度又极其依赖于使用的分词方法,分词能力越好会得到更高匹配度的结果,同时高匹配度会大大缩短用户获取目标信息的时间。本文以农业信息为背景,对搜索引擎中的中文分词关键技术进行了研究。当前中文分词技术主要分为两种,基于词典的分词方法和基于字的分词方法。基于词典的分词方法存在歧义问题和未登录词问题,而基于字的分词方法不存在这个问题,但处理跨领域文本时分词效果较差。当前基于字的分词方法有HMM（Hidden Markov Model）模型分词方法、CRF（Conditional Random Field）模型分词方法等。HMM模型中存在齐次马尔可夫性假设和观测独立性假设,这两种假设在中文分词中是不合理的。CRF由于自身的特性不存在这两个假设,但CRF分词时不能对长期上下文信息进行理解,Bi-LSTM（Bi-directional Long-Short Term Memory）可以弥补该缺点,Bi-LSTM-CRF分词模型与这两种分词模型相比有更好分词效果。为了进一步提高Bi-LSTM-CRF的分词效果以及提升在农业领域的分词能力,本文做了以下工作:（1）提出一种5-tag的标记法,能够在当前大小的训练语料库上训练得到更好的分词模型;（2）针对当前Bi-LSTM在输出时不合理的输出权重设置,让前向LSTM和后向LSTM的输出达到一个合理的比例;（3）为了解决模型在训练过程中的过拟合问题,将Droupout使用在LSTM单元中,解决过拟合问题;（4）针对当前的Word2vec模型生成的字向量并没有考虑当前字上下文信息,引入了Bert预训练模型生成能考虑上下文的字向量;（5）针对当前模型在跨领域文本有着较弱的分词能力,本文提出了一种基于词典的词抽取方法,与Bi-LSTM-CRF结合之后,能够在农业领域有更佳的分词效果。通过对分词方法的实验发现这些优化方法均对Bi-LSTM-CRF分词方法的分词能力有提升,尤其基于词典的词抽取方案,能够提升该模型在农业领域数据的分词能力。最后对农业信息垂直搜索系统进行了需求分析、系统设计和系统实现,且将本文研究的分词方法应用于该系统。然后对该系统进行对比实验,分别将优化前后的BiLSTM-CRF分词方法应用于该系统中,发现该系统在使用优化后的Bi-LSTM-CRF分词方法后,搜索关键字与搜索结果有更高的匹配度。