文本提出了一种基于感知器的中文分词增量训练方法,可在训练好的模型基础上添加目标领域标注数据继续训练,解决了大规模切分数据难于共享,源领域与目标领域数据混合需要重新训练等问题。在CTB5.0新闻领域和诛仙小说领域的实验表明,增量训练可以有效解决领域适应问题。达到与传统数据混合相类似的效果。进一步的实验分析表明,增量训练产生的模型远小于混合训练方式产生的模型,增量训练在小规模数据集上能够更快速的完成训练。针对基于感知器的中文分词模型过大问题,本文实现了一种启发式的特征筛选方法,以迭代训练中参数的更新次数为阈值进行特征筛选。这种方式有效的避免了自然语言处理中的长尾效应,能够更好的选择有用特征。在基于感知器的中文分词、词性标注、依存句法分析三个任务上的实验表明,在准确度几乎不变的前提下,均可以使模型成倍的缩小。基于增量训练算法和模型压缩算法,本文实现了一个在线的个性化分词服务系统。用户可以上传目标领域词典和训练语料,系统在后台自动完成增量训练算法,为用户生成目标领域增量模型,提供个性化分词服务。本文提出的增量训练方式保证了多个增量模型之间互不影响,同时有效控制了训练时间和模型大小。