随着中国互联网用户的爆炸式增长，中文信息处理技术在互联网领域受到越来越多的重视。中文组块分析，因其在具有词法分析效率的同时又具有接近于完全句法的分析深度，在互联网领域有广泛的应用前景。　　本文面向阿里巴巴电子商务系统，重点研究了中文组块的定义、标注与自动分析，主要内容如下：　　第一，在语料标注过程中，由于人与人之间的认识差异，存在一致性问题。而基于统计机器学习的方法，对于相同的实例，可以根据具体的上下文给出一致的标注。基于以上考虑，一种基于人机互动的标注方法被本文所采纳，且有效的解决了一致性问题。　　第二，研究了基于判别式模型的中文组块分析方法。通过将组块边界与类别合成一个标签，把组块识别问题转换为序列化标注问题。最大熵马尔科夫模型被应用到组块分析任务中，且取得了相当好的效果。本文在前人工作的基础上，对比研究了最大熵马尔科夫模型的两种变型，并提出了候选标签过滤算法，以提升最大熵马尔科夫模型的处理效率。条件随机域模型克服了最大熵马尔科夫模型中的标注偏置问题，取得了最优的组块分析结果。　　第三，在应用条件随机域模型进行组块分析以前，有一关键而计算量巨大的工作——特征模板选择。为了改进这一步工作的效率，我们基于模型间的同源性，采用最大熵或者最大熵马尔科夫模型来替代条件随机域模型进行特征模板选择。这种新方法的性能与效率在中文信息学会句法分析评测的基本块分析中得到了验证，并帮助我们取得了封闭测试第一的成绩。