自然语言处理（Natural Language Processing,NLP）可以让计算机理解人类的语言方式并进行学习,进而处理文本信息。中文文本由句子组成,句子由词语组成,词是最小的表达意义的单元,但是中文词语和英文单词不一样,没有空格将其分开,需要采用一定的手段来将中文词语从句子中分隔开来,即进行中文分词。中文分词是所有文本信息处理工作的第一步,分词准确与否会影响到后续工作。目前常见的中文分词算法包括基于词典、基于统计模型和基于深度学习的分词算法,中文分词技术的关键问题是目前缺乏统一的分词标准,且存在许多切分歧义和未登录词识别等问题。中文分词算法在更换分词领域时会出现分词性能的下降,为了解决这个问题,当前研究者们在研究分词领域自适应性和针对特定专业领域分词问题两个方向上做出努力,本文便是专注于解决金融领域下基金主题的中文分词问题。为了实现上述目标,本论文首先采用Scrapy框架在“天天基金网”上爬取了大量的基金新闻资讯文章,并根据该文章的特点制定了专属的中文分词标准,然后进行人工分词,制作了一份基金主题的中文分词语料库。在该语料库上选择了四种分词算法来进行实现,包括基于词典分词算法中的正向最大匹配法（Maximum Matching,MM）、基于统计模型分词算法中的隐马尔科夫模型（Hidden Markov Model,HMM）和条件随机场（Conditional Random Field,CRF）和基于深度学习分词算法中的长短期记忆神经网络（Long Short-Term Memory,LSTM）,同时选择了一种基于统计与深度学习的集成算法“条件随机场-双向长短期记忆网络（CRF-Bi LSTM）”来进行实现,详细介绍了几种算法用于中文分词任务上的实现过程,包括模型训练时生成的特征,和构建神经网络时设置的参数。最后综合比较它们在基金主题语料库上的分词表现,分词效果的评价采用准确率、召回率和F值这三个指标,实验结果表明CRF算法在该语料库上表现最好,F值高达0.9526,CRF-Bi LSTM的F值略低于CRF算法,为0.9446,究其原因,可能是CRFBi LSTM算法未能训练出最佳的参数,后续可进一步改进。其他三种算法各有优劣,分词准确率不及上述两种算法。为了进一步检验分词算法在更换分词领域后是否会出现分词性能下降的情况并找出受此改变影响最小的算法,本实验采用北京大学提供的pku＿training训练集来作为通用领域的语料库,对以上五个模型进行再次训练,测试集仍旧采用人工标注的基金主题语料,结果发现除了CRF-Bi LSTM分词算法受影响较小外,其余分词算法的分词性能均出现大幅度下降,这证实了集成算法由于可以结合多个算法的优点,在中文分词的任务处理上,通常情况下效果要比单一算法更好,适用面更广。根据以上结果并考虑到模型训练的复杂程度,推荐研究者们在可以获得专业领域的语料库时,中文分词任务优先考虑CRF算法,无法获得专业领域语料库时则优先考虑CRF-Bi LSTM集成算法。