分词、词性标注是自然语言处理的基础性课题，是很多其他自然语言处理任务的基础，同时在很大程度上影响着后续任务的最终性能。构建一个高性能、高效率的中文分词、词性标注系统具有重要的学术意义和应用价值。本文着眼于构建一个性能优异、高效率的分词、词性标注系统。本文的研究内容主要包括三方面：词典和统计相结合的分词、词性标注方法，系统效率优化和性能提升以及基于感知器（Perceptron）算法的模型增量训练。本文使用词典与统计相结合的分词、词性标注方法，不仅使分词、词性标注达到了一个较好的性能，而且通过将词典信息融入统计模型实现了中文分词领域自适应以及词性标注效率的提升。在此基础上本文实现了基于感知器的并行训练算法，在保证性能的前提下大幅度提高模型训练效率。此外，本文还通过对模型文件的压缩来提高速度以及减小内存需求。同时，本文使用半指导方法利用大规模未标注数据进一步提升词性标注准确率。然后我们利用感知器算法属于在线（Online）算法的优点，提出了基于感知器算法的模型增量训练方法，并通过实验验证了增量训练方法在相同领域的有效性。最后我们通过对跨领域中文分词增量训练结果不理想的原因进行深入分析，将Stacked Learning框架引入跨领域中文分词中。实验结果表明，本文的分词、词性标注系统在性能上达到了目前分词、词性标注的最好性能，而且通过使用并行训练算法，可以大幅度的提高训练效率。实验结果也验证了本文提出的增量训练方法在相同领域数据中对于分词、词性标注任务的有效性。同时通过对比实验验证了Stacked Learning框架对跨领域中文分词的适用性。