随着自然语言处理技术的发展,部分研究学者尝试将深度学习模型应用到古籍文本的处理中。古文相较于现代文不仅在用词、语法等方面存在巨大的差异,还缺少标点。目前仅有少部分古籍文本经过人工处理,具备断句或标点符号,仍还有大量的古籍文本没有断句或标点。通过人工对古文进行断句或标点,既需要有较高的专业知识,还需要对文本对应的当时的历史文化有一定的了解,因此对古文进行断句和标点的速度缓慢。为了加快对古籍文本的断句和标点的速度,部门研究学者尝试使用深度学习模型对古籍文本进行断句和标点。本文主要研究基于深度学习的古籍文本自动断句和标点算法,并对模型进行优化改进,进一步提高模型对古籍文本断句和标点的性能。本文的主要工作如下:（1）将深层语言模型BERT、双向长短记忆网络（Bi LSTM）和条件随机场模型（CRF）相结合用于古籍文本自动标点任务。首先将BERT模型应用于古籍文本处理任务中,使模型能够充分学习文本语义信息。同时结合Bi LSTM+CRF模型能够学习标签规范信息的特性,进一步增强模型的规范性,使得模型的预测结果更加准确。（2）提出了新的数据预处理方法,即数据按照段落分行处理。将按照标点分行的数据预处理方法改变为按照段落分行,数据的一行作为模型的一个数据处理单元,改变后的数据预处理方法使得模型的一个数据处理单元包含更多的文本信息,使得模型能够更加充分的学习文本上下文关联信息。（3）提出基于动态编码和以段落分行的数据预处理方法的BERT深度学习模型,考虑到古文的段落长度长短不一,对数据向量化时使用动态编码的方式,进一步减少了不必要信息的加入,缩短了模型的处理单元数量,提高模型预测结果的准确率。并且设计并开发了一个古籍文本自动断句和标点系统,使得用户能够直接通过该系统对想要断句或标点的文本进行处理,方便用户使用。本文在自行收集的数据集上进行实验,采用了统一的评价指标进行评判。最终的实验结果表明,改进后的BERT模型使用以段落分行的数据预处理方法和动态编码方式不仅能够更好的学习古文的语义信息和上下文关联信息,还能够学习标签的规范信息,可以有效地提高古籍文本自动断句和标点的准确率。