在中文中,词是最小的语义单元,多个中文自然语言处理任务都是以词为输入,在词的基础上进行的。在字母文字中,如英语,通过空白符将词语分开,然而,中文是象形文字,标点符号仅对短语和句子进行分割,但并未分割词语。因此,中文分词是中文自然语言处理的基础任务之一,也是第一个需要攻克的难点。近年来,神经网络凭借其出色的非线性映射能力、自学习能力,以及可避免特征工程的优势,成为了研究热点,并广泛应用于各个领域。本文由中文分词的定义引入,介绍了其意义、应用,分类介绍了几种常见的分词算法,并重点关注基于神经网络的分词方法。其中,包括基于传统的前馈神经网络的中文分词法和基于循环神经网络的中文分词法。在基于前馈神经网络的中文分词法中,本文重点介绍了其算法框架以及框架中每个步骤的细节。针对基于前馈神经网络受限于输入窗口大小,无法获取长距离相关信息的特点,本文引入了基于循环神经网络的中文分词法,重点介绍了基于长短时记忆(Long-Short Term Memory,LSTM)神经网络的中文分词法,针对其模型训练和预测时间长的特点,本文进一步提出了基于门循环单元(Gated Recurrent Unit,GRU)的中文分词法。为进一步优化模型,本文引入了预处理的字嵌入向量,使得模型可以更快收敛并达到更高的精度。为避免模型过拟合,本文进一步引入了 dropout方法。最后,本文实现了基于GRU神经网络和基于前馈神经网络的中文分词法,与基于LSTM神经网络的中文分词法以及传统的基于CRF的中文分词法比较,得出了基于GRU神经网络的中文分词法可以得出与这几种分词法的最优分词精度相当的结果,且在分词速度上有着显著优势的结论。同时,本文通过实验,论证了预处理向量的引入可以加快模型收敛并提高精度,使用dropout方法可以避免模型过拟合的结论。