中文分词是中文信息处理领域一项基础技术,随着中文信息处理应用的发展,各领域产生的文本信息逐渐增多,专业领域中文分词的需求日趋扩大。然而,当前分词领域的训练语料多为通用新闻领域语料,在跨领域分词任务中,由于训练语料和待切分文本在构词特征和分布规则上差异较大,中文分词往往无法取得较好的效果,因此面向特定领域的中文分词成为当前中文分词领域中的一个难点。本文针对特定领域的中文分词方法展开研究,设计了适用于领域文献的构词指标和相关算法,主要的研究内容与创新如下:1.根据领域文献的特殊构词特征,提出了一个新的构词指标:词频偏差,之后基于该指标设计了无监督的分词优化算法,合并优化被切散的领域词汇;2.词频偏差侧重于刻画领域词的构词特点,单独作为分词指标具有一定局限性,本文引入传统分词指标互信息辅助处理领域词外的词组搭配现象,并设计了各指标之间的合并修正算法,以提升整体分词优化效果;3.针对模型训练阶段专业领域标注语料稀缺问题,本文提出了基于神经网络的模型参数迁移学习方法。该迁移方法利用通用领域标注语料预训练初始模型,并设计模型参数迁移策略,得到专业领域分词模型。本文提出的面向领域文献的中文分词方法,是在已有的分词成果上进行优化,且融合了传统的分词指标,并通过迁移学习的方式复用通用语料中的知识。在一份农业领域语料上开展了实验,结果表明本文设计的构词指标词频偏差和分词优化算法、合并修正算法对目前常用分词工具的优化提升明显。提出的参数迁移方法在目标领域语料上F1值有小幅提升。