句法分析是自然语言处理的主要任务之一。本论文的目的和任务是对给定的自然语言句子,根据给定的语法自动识别其句法结构,并分析句子所包含的句法单位以及这些句法单位之间的关系。近几年,依存句法分析得到了越来越广泛的关注。根据研究得知,目前为止最有效的依存句法分析策略是基于分类器的训练算法和决策式的句法分析模型相结合。所以本文构建了一个基于SVM的汉语依存句法分析器。本文算法的基础是Nivre的Arc-eager决策式依存句法分析算法。但是此算法由于自身的缺陷导致了在处理长距离右依存时出现Early-reduce问题,本文会对算法进行改进。本文设计的依存句法分析器的主要思想如下：决策式分析算法根据当前的状态作出决策且不可更改,具有贪婪的特性,容易引起错误增殖。针对此问题,本文在分析句子之前做预处理来减少错误增殖。预处理工作主要有两步,首先采用机器学习方法SVM构建根查找器,利用根查找器找到根结点,用其将句子划分为两个子句；然后从子句中识别出介词短语,因为介词短语是引起句法分析器产生错误的主要因素之一,也是引起决策式算法分析长距离右依存时出现Early-reduce问题的原因之一。预处理工作可以降低句子的复杂度,减少错误的增殖,分析准确率也相应得到提高。最后即可进行子句的分析。汉语中,只有介词和动词具有右依存者,对于介词引起的Early-reduce问题,本文通过识别出介词短语来解决；对于动词引起的错误,本文引入全局特征,并定义了一个新的操作—Verb-Shift来处理动词的Early-reduce问题。最后本文对句法分析器的性能做了全面的测试和评估工作,实验结果表明,本文的分析策略使准确率得到了显著提高。