近年来随着各类信息的日益增多，人们对信息处理的需求促进了自然语言处理技术的空前发展。与此同时，人们对如何在海量的信息中及时找出有价值的信息越来越关注，语句压缩作为自然语言处理的基础日益受到研究者的关注。语句压缩可以应用于自动摘要、自动标题、搜索引擎和话题检测等诸多任务中。目前，主流的语句压缩研究主要基于语料驱动的监督模型。本文采用监督模型中的判别式模型，通过学习成分句法树的剪裁实现语句压缩。本文的研究内容主要包括以下几个方面：1、基于结构化学习的语句压缩研究。首先，使用匹配抽取的方式构建中文平行语料库；然后，提出语料库扩展方式，为解决语料库规模小的问题提供了新思路；最后，使用结构化学习算法学习源语句成分句法树的剪裁过程，并实现语句压缩。实验结果表明，基于结构化学习的语句压缩模型具有很好的性能，且提出的语料库扩展方式具有可行性。2、语句压缩解码方法研究。在基于判别式模型的方法下，提出使用整型规划方法解码。通过将语句压缩问题转换为整型规划问题实现最优目标语句的查询，该解码方法能在保持较好的压缩率的情况下保留源语句的主要信息。3、语句压缩评测指标研究。针对语句压缩缺乏合适的自动评测指标，本文在基于单词删除的语句压缩系统中，引入了BLEU和N-Gram两种评测指标用于评测语句压缩性能，并通过实验验证了这两种评测指标的适用性。4、语句压缩的应用研究。以语句压缩的应用为切入点，将语句压缩系统应用于多文档自动文摘任务中。实验结果表明压缩系统在多文档自动文摘中能够删除部分句子级别的非重要信息且不影响文摘的可读性。