作为自然语言处理的基本操作,词性标注能提供关于单词及其邻近成分的大量有用信息,因此常常是组成复杂应用的模块之一。词性标注任务是文本理解、文本生成等自然语言处理领域的重要基础,经过多年的发展,被认为是相对成熟的一个领域。然而,随着互联网的发展和信息的日益增多,出现了大量的不规则的短语文本,如层次分类标签。另一方面,目前的词性标注工具均建立在常规长句的基础上,在短语文本上的性能并不理想。正是在这种前提下,本文深入研究了面向层次分类标签的词性标注算法。　　 本文介绍了词性标注的核心技术和研究方法,包括四种经典的词性标注模型和算法。通过手工标注,我们成功分析出层次分类标签同长句文本之间的六个主要差异,找到了传统的词性标注工具性能不佳的根本原因,并指出了两个有待解决的关键问题:路径信息和专有名词。　　 在此基础上,本文提出了基于最大熵模型的词性标注算法。为了把路径信息集成到输入中,我们引入了一个新的标记PATH,同时还添加了三类利用该路径信息的特征。针对层次分类标签中大量的专有名词,我们从WordNet和Wikipedia出发,分别构造出一个词典和一个数据库,然后以二值特征的形式引入到最大熵模型中去。在分类目录Dmoz上,这些改进取得了非常显著的性能提升,从而表明了该方法的有效性。　　 层次分类标签上的词性标注可以应用到自动网页分类系统中。当前的网页分类系统过于依赖于人工标注的网页以作为训练语料。我们设计出这样一个系统,在没有语料的条件下,巧妙地利用分类标签的词性标注信息和搜索引擎,自动构造出一批训练语料。实验结果表明,该方法的性能是完全可以接受的。