中文篇章分析作为自然语言处理领域中一项基础任务,旨在将中文篇章平文本以树形结构表示,称作中文篇章修辞树结构。篇章修辞树有助于从整体上把握篇章行文脉络并提供结构化信息,对下游篇章级别的文本分类、文本摘要、情感分析和机器翻译等任务具有基础支撑的作用。随着汉语连接依存树结构语料（CDTB）的发布,基于中文的篇章分析研究得以开展。近年来,深度学习技术在自然语言处理领域中多项任务上取得显著成效,因此在篇章分析中基于深度学习的自动特征抽取模型逐渐取代依赖人工特征的传统机器学习方法。转移系统常用于结构解析任务,率先在句法层面结构解析任务中广泛应用,中文篇章修辞树结构解析也是一类结构解析任务,研究人员在中文上提出了基于转移的自底向上解析模型。但现有工作存在以下问题:仅基于固定转移序列构建树形结构;基本篇章单元（EDU）编码仅关注平文本信息,未有效利用结构信息增强表征;篇章粒度划分仅针对句子分割。因此,针对上述问题,本文从以下三个方面进行了相关研究:（1）完善基于转移系统的篇章解析平台。原自底向上模型采用篇章修辞树后序遍历转移序列构建树形结构,由底部局部子树信息不断向上构建更大的子树直至构建完成;本文基于篇章树的三类遍历（前序、中序和后序）方式所得转移序列,对比了在统一模型架构下,不同构建方式在各项性能指标上的具体差异,并在此基础上额外增加了修辞关系和完整篇章修辞树的性能指标。（2）提出基于多层次结构化信息的表征增强方法。该方法在词级别的篇章单元特征编码中利用图卷积网络（GCN）融入句内依存结构信息,将句法信息有效融入表征学习中。而在EDU级别的表征学习中,采取星型拓扑结构的Star-Transformer作为特征编码器,在中继结点中更新有利于结构生成的全局信息的同时,更加关注局部相邻结点对当前子单元的语义表示的重要性。（3）提出基于话题转移的联合学习模型。子话题是比句子范围更大,更粗粒度的篇章组成单元。该模型中对于构建篇章文本的粒度划分问题,利用篇章修辞树的核性信息,提出了篇章中基于规则划分子话题的策略,将自底向上的构建过程看作是篇章子话题单元的结合过程;并采取联合学习方式隐式融入该类子单元边界信息。