中文分词是中文自然语言处理中的一项关键技术,其结果性能的好坏将直接影响到后续机器翻译、信息检索等语用任务的最终性能。随着深度学习在自然语言处理领域的广泛应用,神经网络模型在分词中也表现出了极佳的应用效果,但仍存在可以改进的研究点。本文在分析CNN、RNN、LSTM的基础上,提出了两种分词方法,从不同的角度对模型架构进行改进。本文提出的第一种分词方法把分词当做序列标注问题,使用Bi-LSTM-CRF模型架构对文本进行词位标注,并引入注意力机制思想对传统LSTM模型进行改进。通过一种门限组合神经网络对目标字窗口内的环境块向量进行有效融合,并辅助于一个命名实体发现词典,融合逐点互信息思想显式地加强实体影响,以此计算注意力权重强化LSTM模型对近距离上下文信息的处理,以期能够提升模型对字与字之间特征关系的抽取。本文提出的第二种分词方法,针对序列标注模型的局限性,打破序列标注时窗口的桎梏,引入集束搜索算法利用完整的分割历史进行动态分词,并借助深度学习模型强大的建模能力,对字符序列成词的可能性以及词序列连接的合理性进行评分。相比于传统的词位标注分词方法,该方法能够学习到字、词、句三个层次的丰富特征,并且利用完整的分割历史进行建模,具有序列级别的分词能力,能够获得更好的分词性能。最后本文通过实验探究提出的改进方法对分词性能的影响,验证出这两种深度学习架构对提高分词性能都有一定程度上的积极作用。本文所述的方法与主流深度学习方法有许多共性,因此同样能够应用在语音识别的后期处理中,并且可以广泛的扩展应用在其他NLP序列标注任务中。