句法分析是自然语言处理中的一项基础核心技术,其目标是根据给定的语法理论,自动识别分析句子中各种成分之间的关系,最终得到句法树,在机器翻译等自然语言处理任务中有着广泛的应用。当前主流的神经网络句法分析模型依赖大规模标注数据,但是由于汉语不像英语有丰富的词性变化等表层信息来表示句法结构,导致汉语树库规模较小,人工标注成本高,短期内难以扩大。因此,如何利用现有的标注树库自动进行数据增强成为研究的焦点。在汉语句法分析的数据增强任务中,对于给定的标注树库,要求数据增强所生成的句子满足如下条件:第一,要求生成句具有多样化的句法结构,并保证其句法树结构的完整性;第二,要求生成句具有正确的句法结构标注;第三,生成句的语义要合理,即保证生成句符合语言表达的习惯。针对汉语句法分析中数据增强的这三个需求,本文工作和贡献总结如下:（1）提出基于词汇化树邻接语法的数据增强方法。词汇化树邻接语法是计算语言学中的一种重要形式语法,基于该语法可以在句法树之间进行“接插”和“替换”的操作,从而推导生成新的句法树,并且有语言学的知识保证其生成的句法树符合语法规则且具有正确的句法结构标注,能够很好地满足句法分析中数据增强的前两个需求。因此我们基于词汇化树邻接语法,设计实现词汇化树抽取算法与句法树合成算法。同时,我们分析总结汉语树库中相对英文树库所特有的一些表达方式和句法标注体系,在算法层面对词汇化树邻接语法进行“剪枝”优化,避免生成句引入过多的噪声。我们基于公开的数据集CTB5.1进行数据增强,并通过该方法基于原训练集的18k数据构建了338k的增强数据,最后进行小样本和鲁棒性的实验。在小样本的数据增强实验中,使用该方法得到的增强数据使依存句法分析模型和成分句法分析模型的精度分别提高1.4%和2.12%。在鲁棒性的实验中,我们人工挑选出86个生成句构建扩展测试集并进行实验。实验结果显示,使用数据增强后,依存句法分析模型和成分句法分析模型的精度分别提高1.02%和0.38%,说明该数据增强方法能够有效提高句法分析模型的鲁棒性。（2）提出基于语言模型的语义合理性评估方法。语言模型是一种基于概率的判别模型,即通过概率判断一个句子的语义合理性。因此针对句法分析中数据增强的第三个需求,本文提出利用语言模型对生成句进行语义合理性评估,从而筛选出语义合理的句子作为最终的增强数据。本文分别设计实现了n-gram语言模型与RNN神经网络语言模型,将词汇化树邻接语法所获得的338k个生成句筛选为105k和94k的数据规模,最后进行小样本和鲁棒性的实验。在小样本实验中,使用该方法得到的增强数据使依存句法分析模型和成分句法分析模型的精度提高1.6%和2.14%。同时,在鲁棒性实验中,依存句法分析模型和成分句法分析模型在扩展测试集中的精度分别提高1.43%和0.44%,表现出更好的鲁棒性。综上所述,针对当前汉语标注树库不足的现状和句法分析中数据增强的需求,我们提出基于词汇化树邻接语法的数据增强方法,并结合语言模型,基于当前18k的训练集分别构建了338k、105k和94k的增强数据,最后在公开的数据集上进行实验对比分析,实验结果表明,该方法能够有效提高当前神经网络汉语句法分析模型的性能和鲁棒性。