抽象语义表示(Abstract Meaning Representation,AMR)是一种全新的、领域无关的句子语义表示方法,它将一个句子的语义抽象为一个单根有向无环图,AMR解析旨在将句子解析为对应的AMR图。AMR标注规范的提出和AMR解析算法研究推动着自然语言处理上层应用的发展,是文本摘要、信息抽取、标题生成等上层应用的重要基础工作。相比于英文AMR标注,中文AMR标注的研究起步较晚。本文首次针对基于神经网络模型的中文AMR自动解析进行了实验性研究,设计与实现了基于转移神经网络的中文AMR解析模型。本文的工作主要包括以下四个方面:(1)比较分析了各种AMR解析算法。围绕中文AMR解析任务和英文AMR解析的不同,讨论与分析了任务难点、对比总结了在英文AMR解析中基于统计学习方法的AMR解析方法和基于神经网络模型的AMR解析方法。(2)设计并实现了基于转移神经网络的中文AMR解析baseline系统,该系统采用转移解码算法,实现了增量式AMR解析。通过多层前馈神经网络模型编码特征表示,缓解了人工特征工程问题。(3)设计并实现了语义增强的神经中文AMR解析系统。针对汉语中复杂的语义特性,采用基于长短期记忆网络模型的语义关系表示学习方法和基于语言模型的上下文相关词语语义表示学习方法,增强模型中语义信息的表示学习能力。实验结果表明,语义增强的神经中文AMR解析模型获得了较好的AMR解析性能。(4)设计与实现了基于序列化标注概念识别的神经中文AMR解析系统。baseline系统通过启发式搜索实现概念识别,而中文AMR中对于隐含或省略的成分会进行补全,启发式搜索无法实现概念片段的完全识别。所以,本文针对中文概念识别,提出了基于双向循环神经网络+条件随机场的概念识别算法。实验结果表明,该改进系统的性能明显优于baseline系统,通过优化的概念识别算法,可以有效提高中文AMR解析的整体性能。