分词是中国语言处理的一项基本任务。词是“最小的能独立运用的语言单位”。中文与英文有所不同,在英文中词与词之间用空格天然分割,而中文则具有长字符连续书写的特点,如果不进行分词,计算机无法获知中文词的确切边界,中文分词更重要的一个任务是帮助计算机理解中文文字。2006年,深度学习的概念被研究者提出,随后其被应用于计算机视觉、自然语言处理以及语音识别等领域,并且成功地取得了诸多突破性进展,其中循环神经网络更是被广泛运用于解决词性标注、翻译、命名实体识别等相关自然语言处理问题。把多数自然语言处理问题抽象成序列生成序列,并采用合适的循环神经网络结构处理序列,成为当前研究的热点和主流。中文分词是汉语语音合成的前提和基础。中文分词是中文自然语言处理中的关键技术。在自然语言处理中,序列标注在中文分词中有着极其重要的应用。当前主流的中文分词方法是基于传统机器学习方法,但传统机器学习方法需要人为地从中文文本中配置并提取特征。这些方法未能充分地利用上下文信息对中文进行分割,缺乏长距离信息约束能力。针对上述问题进行研究,在双向Long-term short memory(简写为LSTM)记忆单元添加注意力机制,并使用双向LSTM训练分词模型,注意力机制可较合理的利用记忆单元存储的信息,同时采用六词位标注集进行中文分词,避免了窗口对上下文大小的限制,可以获得一个文本上下文信息,能够有效的解决梯度爆炸和数据稀疏问题。实验结果表明使用此模型可以达到97.8%的中文分词准确率。