随着人工智能时代的到来,古籍信息处理研究受到了越来越多的关注。词法分析主要指对句子进行自动分词、词性标注和命名实体识别三大子任务,词法分析工作是古籍信息处理的基础,不经过高精度词法分析的古籍,难以进行深层次的信息处理工作。长期以来,古籍的词法分析受技术手段、标注资源的限制,研究进展较现代汉语显得颇为迟滞。本文研究重点在于将深度学习方法应用于古籍的自动断句、词法分析中以构建古籍自动标注平台,具体包括以下几个方面:第一,本文将深度学习中的LSTM-CRF这一模型结构运用到古籍词法分析中。使用文渊阁版《四库全书》训练字向量,在尽量覆盖更多古文字的基础上提升模型效果。以《左传》前十卷为训练语料,后两卷为测试语料,使用一体化词法分析方法同时得到分词、词性标注、命名实体识别的结果。实验结果为分词调和平均值94.81%,词性标注90.21%,人名实体识别82.79%,地名实体识别82.49%。经十折交叉验证法进一步验证了模型的效果,并经进一步的实验发现,如果将词性信息去除,命名实体识别的精度会略有提升。第二,设计制作了古籍专名信息词典数据库。对多部古籍资源中的数据进行梳理、整合,将不同来源、不同的数据格式的专名信息词典整理成统一的结构化数据库。根据前人研究成果,计算出了每个专名的词语通用度,以减少常用字引起的误匹配。为了快速匹配出词条,对trie树进行了改进。该词典数据库不仅可以和神经网络融合,以提升命名实体识别的精度,也可以向校对人员提供释义信息。经实验证明,将词典和神经网络进行结合后,命名实体识别的精度有了一定的提升。第三,将JavaEE技术和TensorFlow技术结合,设计开发了一套古籍在线自动标注系统。使用JavaEE技术构建了基于MVC架构的系统主体,其中的标注模块分别与词典数据库和部署了词法分析模型的TensorFlow交互。该系统各个功能模块之间实现了充分的解耦合。第四,在进行词法分析研究的过程中发现,很大一部分古籍是未经断句的文本,而要对古籍进行词法分析,必须以句子为单位输入模型。因此在一体化词法分析研究的基础上,研究基于神经网络的自动断句方法。在总结前人研究不足的基础上,提出了新的语料断句的处理方法,并经实验证明,卷积神经网络在自动断句上效果较好,以《二十四史》为训练集,在《三国志》上取得的调和平均值为 86.69%。综上所述,本研究使用深度学习技术来解决古籍的自动断句和词法分析问题,整合词典资源改善命名实体识别精度和提供释义,最终形成了具有实用价值的系统。