关系词是复句在语表形式上的标记,是复句中标示关系的一个重要构件,它在很大程度上影响着分句的语义和复句层次关系的识别。关系词的自动识别有助于划清句子的语法成分,弄清复句表达的语义,从而有利于提高机器翻译的准确度。同时,复句是连接篇章的桥梁,关系词的识别对促进篇章研究有十分重要的意义。目前,汉语复句关系词识别方法有基于规则的方法与基于统计的方法,这些方法过度依赖于人工总结的规则。本文探讨使用深度学习的方法进行关系词识别。针对复句关系词识别方法都依赖于人工提取的语句特征的问题,提出了将神经网络引入关系词自动识别的方法。该方法将复句语料库中提取的特征融合到词向量中,将词向量输入到构建的神经网络模型中进行训练。为了探究神经网络模型中不同语句特征组合和不同词向量对关系词识别的影响,利用哈尔滨工业大学语言平台(LTP)对现代汉语复句语料库(CCCS)中的复句进行语句分析,提取出四种常见的语句特征建立语句特征库;再从语句特征库抽取特征并将特征进行组合,将组合后的语句特征分别与CBOW和BERT词向量矩阵进行语句特征融合,并输入到神经网络模型中训练;最终通过分析不同的训练模型测试结果来挖掘彼此的联系,获得不同词向量与语句特征的最佳组合。通过构建训练集与测试集对提出方法进行检验,在不依赖任何语句特征的情况下,仅输入CBOW和BERT词向量矩阵训练的模型在测试集中的F1值达到了 91%以上。同时在使用语句特征融合的情况下,F1值达到了 92.52%。实验结果表明本文提出的基于神经网络与特征融合方法既利用了深度学习模型中自动提取特征特性,又融合了人工总结的显然特征,既提高了识别的效率又取得了较高的正确率。