完全的句法分析是当前自然语言处理的一个重点和难点。现阶段被认为无法彻底解决。进行部分句法分析,即组块分析,既可以达到自然语言句子进行句法分析的目的,又可以降低分析过程的难度,达到实用的目的。本文从理论和算法的角度来讨论汉语组块的定义,标记类型及其分析方法和技术。本文首先提出了当前句法分析的困难,介绍了组块分析作为一种折衷策略的研究现状,以及实现组块分析的两条技术路线:规则方法和统计方法。然后,本文在前人对于组块定义的基础上,针对现有的滨州中文树库语料的句法标记,通过定义一系列的规则和合并策略,得到10种类型的组块,并详细介绍了各种组块类型获取的策略。接着,本文详细介绍了统计机器学习理论中支持向量机方法和规则学习方法中的基于转换的学习。阐述了他们的基本原理,特征表示形式及其特点。支持向量机方法在函数表达能力,推广能力和学习效率上都要优于传统的人工神经网络,且很大程度上解决了传统方法存在的问题:如模型选择、过学习、非线性、多维问题、局部最小点问题等。基于转换的学习方法能自动融合不同类型的知识,所得到的模板可以显示一些语言知识,这些语言知识对于语言学及其他相关研究有重要意义。利用统计和规则的方法有效地结合了两种方法的优势,达到较为满意的组块识别效果。本文设定一系列的实验来测试当选用不同的特征(词、词性、组块),以及语料库规模不同时对分类器的影响。最后本文把SVM+TBL的方法应用在CoNLL2000英文语料和我们定义的中文语料上。基于实验结果,分析了工作的缺点和不足,提出了下一步研究方向。本文的研究成果可以应用到自然语言的其他领域,比如:问答系统中问句分类,机器翻译中的关系对齐、词对齐和统计机器翻译,信息抽取,文本分类,语音识别等。