随着信息技术和网络技术的不断进步与发展,计算机成为了人类生活必不可少的一种工具。由计算机智能地处理人类语言的技术,即自然语言处理(Natural Language Processing, NLP)技术便应运而生。词性标注(Part-Of-Speech Tagging)作为其中较为基础的一种预处理程序,对后续的工作和课题研究都起着至关重要的作用。本文使用基于隐马尔科夫模型(Hidden Markov Model)的词性标注方法,从如下几个方面进行了改进,以提高标注的准确率。首先,利用小规模训练语料进行半监督学习,通过反复迭代不断扩充语料,增强马尔科夫标注效果,尤其对于不同领域的语料,这种迁移学习也能提高标注准确率；其次,通过词语相似度的方法,给每个高频的未登录词都标上候选词性,对于频率低于10的低频未登录词,则采用相似字符串查找的方式找到相似上下文,用于标记词性；最后,在隐马尔科夫标注时,不仅选取一条路径,而是选两条最佳路径,并通过二次选择,得到最后标注结果。实验证明,该方法与传统隐马尔科夫标注方法相比提高了2.6%,汉语词性标注准确率达到了95.65%。