自然语言自身的模糊性和复杂性,使得中文分词问题在理论上很难找到一个好的解决方案。在实际应用中,中文分词也难以满足诸如中文搜索、文本分类和机器翻译的需求。通过分析各种不同的分词模型发现,多个分词要素对切分方案的共同作用常常体现和统一于一个概率公式,称为单目标评价函数。既然多个分词特征共同作用于切分结果,那么理论上可以利用多个评估函数从不同侧面评价结果。不同的侧面对应不同的评价函数,切分结果的求解也就变为优化多个目标函数的过程,分词问题因此化归为多目标优化问题。本文选择句子的二元词频概率、二元词性概率和句子子串长度方差作为目标函数。如果把切分方案看做一个个体,那么把不同的分词方案组合成群体,利用交叉、变异和选择操作对种群进化,利用环境约束操作对种群个体约束,从而形成多目标优化的整体流程。其中,利用多目标向量对所有个体进行Pareto排序,同时为了保持群体多样性,引入聚集距离的概念,通过Pareto排序和聚集距离构建偏序关系,继而选择优秀解。受个体进化在自然界中会受到环境影响的启发,针对分词问题加入了环境约束操作,约束个体变异和进化的方向,同时克服进化算法在局部搜索方面的缺点。在实现的过程中,对句子切分子串信息值标注,信息值可以反映子串的词类属性(人名或者地名等)、歧义的位置属性(和前串还是后串发生歧义)以及确定属性(可以确定的符号、在库词等)。最后进行了歧义测试、整体测试以及基于多特征的人名识别测试,从测试结果来看,利用多目标优化模型解决中文分词问题也许是一种崭新的方法。