长久以来，人们就想制造出一种具有智能的机器，它能通过自然语言与人类交流并服务于人类。计算机的出现和迅速发展为这个梦想的实现带来了希望。因此，人们迫切地需要计算机具有理解自然语言的能力，从而为具有人工智能的机器人的实现铺平道路。自然语言处理因此应运而生，成为人工智能领域的一个热门课题。人工智能就是以建立智能化的、自主的计算机为目标的一门学科，它研究的课题包括专家系统、问题求解、逻辑与不确定性问题、自然语言处理、机器人学、视觉与模式识别等。本文从事的研究是自然语言处理领域的一个基础性的课题：汉语词性自动标注。 汉语词性标注的目的是对句子中已切分的词标注上正确的词性，从而为下一步的处理提供输入。它的研究结果直接影响到语法分析、语义分析、机器翻译和信息检索等诸多领域。 词性标注方面的研究最初采用基于规则的方法进行，根据人工制定各种语言学规则标注词性，正确率并不高。后来采取基于统计的方法(机器学习)进行标注词性，正确率有了较大提高，可达到95％以上。目前基于机器学习的词性标注方法成为研究的热点，比较典型的有最大熵模型、隐马尔科夫模型、人工神经网络、决策树、支持向量机等。目前采用较多的是基于n-元语法的隐马尔科夫，一般采用二元或三元模型，但该模型存在一些先天不足。 最大熵模型在词性标注方面相对其它模型来说具有较多的优点。因此本文采用了基于改进的最大熵模型，并运用BLMVM参数估计算法，有效地提高了标注正确率和标注效率。在自然语言处理领域，由于熟语料(已标注好的语料)规模的限制，数据稀疏现象严重，模型在训练中不可避免地会出现训练过适应的问题，需要对模型进行平滑。Gaussian Prior平滑方法在众多的平滑方法中有出色的表现，适合用来平滑最大熵模型。应用最大熵模型进行词性标注的一个重要步骤是特征的选取，特征选取的好坏将对模型的标注精度产生很大的影响。本文根据汉语自身的特点，设计了基于字和词混合的特征，取得了较好的标注效果。另外，最大熵的一个优势就是在模型不变的情况下，只要发现好的特征就可以加入，而不用更改数学模型，这有利于在实际应用中根据领域特点增加不同的特征，进一步提高模型的标注正确率。 本文应用最大熵模型并根据汉语自身的特点选取有效的特征，在词性标注实验中取得了令人满意的标注结果。