随着近年来互联网的发展,社交网络已成为实时信息的重要来源。根据中国互联网络信息中心发布的第45次《中国互联网络发展状况统计报告》,截止到2020年3月,中国现有网民数量超过9.04亿。与此同时,网络中产生的实时数据,其数量远多于现有的网民数。这些数据中,存在大量的不规范用语,如近音词、缩略语、书写变体等。本文对这些用语进行了充分的分析,并将其定义为非标准词。非标准词的出现,对自然语言处理下游的各项任务带来了巨大的挑战。为了解决这个难题,研究者提出了诸多方法对这些包含不规范用语的文本进行规范化。然而,随着社交网络语言环境的发展,现有的文本规范化方法不足以有效应对频繁出现的非标准词。对此,本文的主要工作为:1)针对文本规范化任务,对国内外的研究进行了详细的介绍和分析,并对这些方法进行了分析对比,总结出了它们在实际应用过程中存在的缺陷;针对社交网络非标准词的特点,提出基于序列标注的方法对其进行识别与分类。2)提出了基于Transformer的序列标注模型。模型的输入向量采用汉语特征结合词向量的方式,从而加强了对词语的特征表达能力;同时采用了堆叠式降噪自编码器对特征向量进行编码,提升了模型的效率;在训练策略上,针对非标准词的特点进行了专有的设计,从而优化了模型的识别效果。3)针对文本提出的模型进行了多项对比实验。由于目前缺少包含中文非标准词的公测语料集,本文针对各大社交网络进行了文本的抓取,并经过各项文本预处理操作后构建了实验所需的语料集。之后,本文对该模型进行了方法、参数和其他模型的对比实验。本文模型在测试集上得到的F1值为85.6%。各项实验结果表明,文本提出的模型对各类非标准词的识别与分类效果良好,在本文给定的语料集下各项测试指标均超过现有的模型,适合应用于当下社交网络中海量数据的文本规范化任务。