随着计算机的不断发展，计算机已经渗透到生活和工作的方方面面，同时，在计算机的使用过程中，针对计算机的信息输入是人机交互中的一个重要环节。因此，人们对于一个良好的智能输入法的需求也越来越强烈，输入法的重要性也慢慢的体现出来。随着自然语言处理技术的发展，传统的输入法已从最开始的字、词模型发展到现在的基于语言模型的智能输入法。使用基于词条粒度的语言模型来提高整句变换的转换精度，使得音字转换准确率有了很大的提高。然而完整的语言模型往往过大，输入法无法使用，因此对语言模型进行压缩操作则显得十分必要。本文没有使用常规输入法模型中惯用的剪枝方法，即保留部分核心词条的语言模型的方案。考虑到日文语言规则性较强的特点，笔者采用对词条进行聚类的方法对语言模型进行压缩，用词类之间的关系来替代词条之间的关系，大大增加了语料利用率，减少了语言模型中的稀疏情况。同时，为了减少对语言模型进行聚类压缩过程中造成的损失，尽可能地减少压缩带来的信息丢失，笔者对仅使用词性信息进行聚类的方法进行了改进，使用词条之间的距离特征进行聚类，尽可能的降低同一类中的词条重码率，提出了一种基于词条之间的编辑距离的k-mean聚类算法。除此之外，还考虑到每个类别中词条词频的数量级，避免拥有不同数量级的词频之间因类别合并而造成词频信息的大量损失。另外，对于无法避免的压缩造成的模型信息的丢失，使用Bigram的语言模型进行补充，同时针对读音模型的准确率和覆盖率做了相应的改进和提高。最后，建立一种可扩展的基于混合语言的模型，包括2-pos模型、2-gram模型和读音模型。通过结合联合模型中各自模型的特点，能够提高输入法的变换精度，在测试集上进行不同模型对于变换精度的对比测试，分析了混合语言模型对于最终效果的影响。