词类划分与词性标注都是自然语言处理中重要的基础性研究课题,也是后续研究如浅层句法分析、文本分类、机器翻译等的基础。该课题的研究方法主要有三种：基于规则的方法、基于统计的方法以及两者相结合的方法。其中,基于统计的方法又分为监督学习、半监督学习和无监督学习等三种学习方式。本文主要从基于统计的角度去探索词类划分和词性标注的,主要内容如下：1、兼类词词性消歧是中文词性标注的难点之一。本文集成了支持向量机,条件随机场,最大熵等三种分类模型,对兼类词词性进行投票消歧,把得票多的词性作为该词的词性。以1998年1月份已标注《人民日报》为实验语料,对120个常见的兼类词进行开放测试,平均精度达到89.69%,取得了较好的效果。2、词类划分是指词语在语法意义上的分类,即词与词相组合的过程中所体现出来的类别。本文以句法功能信息库为蓝本,以该库中所列的14个属性为特征空间,以其中的句法功能统计数据作为特征值,并对这些空间特征进行归一化处理,利用AP算法,对它收录的3514个词进行聚类,共聚出62类,基本上把语法相同的或相似的词归为了一类。3、对词性进行聚类也是研究兼类词消歧的手段之一。本文从1998年1月份《人民日报》中抽取了12个兼类词,这些兼类词在分类时,效果不好,而且基准精度较低,区别度不大。本文利用AP聚类、k-means聚类、谱聚类等常见聚类算法;分别采用了欧氏距离、Dice系数、夹角余弦作为相似度的衡量方法；采用上下文词频作为特征,并对这些特征进行了提升、归一化等处理,然后进行聚类实验,取得了较好的实验结果。