新词指的是在词典中不曾存在,但现在被人们广泛使用的词语。随着互联网的飞速发展,大量新词也随之涌现。这些新词的出现给诸多自然语言处理任务带来了挑战,因此新词发现是存在一定价值与意义的。传统新词发现方法通过总结新词模板与统计特征提取新词,但其只能针对于特定的领域进行新词发现,或是只能提取长度较短的新词语。针对以上问题,本文提出了一种将深度学习和新词发现相结合的方法,在BiLSTM+CRF模型上融合了多特征来进行新词发现任务。该模型可以通过提取出词语之间的规律关系进行新词发现,摆脱了领域和新词长度的局限性。本文的主要工作分为以下几点:1.提出一种将多个词语特征与Bi-LSTM+CRF模型相融合的算法。分别将四种词语特征:词性、词长、上下文信息熵和词语间凝固度加入到模型之中,又考虑到特征之间的相互影响,将词语特征进行不同数量的组合并加入模型之中,观察模型的预测效果;考虑到在特征的融合过程中,每个特征所占有的权重大小直接决定了该特征对于模型的影响,通过改变特征向量长度的方式对其权重进行控制,并观察模型效果进行调优;考虑到向模型中输入的文本长度会影响模型从数据中获取信息的充分性,将不同长度的文本输入到模型之中,对模型进行调优。2.提出向Bi-LSTM+CRF模型中加入义原特征的方法。考虑到词语在不同语境下的歧义问题,使用SPWE模型对不同词语在hownet数据集上的义原进行推荐,并将所得到的义原作为特征加入到模型之中,让模型可以对词语进行更为精准的语义理解,消除歧义,从而使模型的预测效果得以提升。最后为了验证融合多特征的Bi-LSTM模型的效果,本文分别与未融合特征的Bi-LSTM模型、用于新词发现的CRF模型、nlpir新词发现模型进行了比较。结果证明,本文所用模型的预测效果表现更优。这一结果也证明了新词发现和深度学习结合是非常有效的方法。