在当前信息量呈爆炸式增长的背景下,为充分有效的利用信息资源,我们必须对信息资源进行良好的组织和描述,以建立高效的信息检索系统。图书作为最重要的信息资源载体之一,对其进行良好的信息描述,包括分类标引和主题标引都具有重要的现实意义。与西文不同,中文一是没有明显的分隔标记,二是语义上的复杂性,故中文图书的主题自动标引存在较大的困难。对此,本文尝试将该问题转化为序列标注问题,从而引入了信息抽取领域的机器学习方法,通过对大量已有的中文图书主题手工标引数据的训练和学习,产生序列实体之间语义关系和规则特征的模板,然后利用该模板进行机器预测,从而产生图书主题词。另外,在机器学习模型的选择中,考虑到朴素贝叶斯模型和最大熵模型需要条件独立性假设,忽视了随机变量之间事实存在的联系；而隐马尔可夫模型又存在标记偏置问题,且不能反映实体之间的长距离依赖,但幸运的是条件随机场模型能避免上述问题,在序列标注领域有很好的表现,故而本文采用条件随机场模型。同时,注意到条件随机场模型的参数选择会影响到系统的标注性能,故而笔者从多个方面进行了多组对比试验,确定了针对中文图书主题标引这一特定问题的条件随机场模型最佳参数,包括训练集大小、特征模板字长窗口数、特征模板特征元数、特征函数频次阈值、模型软边界参数。并用实验探讨了不同的观察特征对主题标引的影响,确定了四个能够提高标引性能的观察特征。最终笔者建立了基于条件随机场的中文图书主题自动标引模型,用实验证明了模型的可行性和实用性。然后总结了模型建立过程所需要注意的一些关键问题,并对后续工作进行了展望。