篇章关系识别是自然语言处理研究中的一项基础性任务,其批量处理两个相邻的论元（如子句、句子或段落,统称为论元对）,并自动判别每个论元对之间的语义关系。篇章关系识别给下游任务提供了重要支撑,如阅读理解和文本摘要等。隐式篇章关系识别作为篇章分析的子任务,由于其缺少连接词,难以利用诸如“因此”这类显式且无歧义的词级线索直接判定关系类型,导致隐式篇章关系识别率难以提高。本文研究集中在隐式关系分类问题,并着力解决论元关联信息的识别难问题,以及时序关系观测样本稀疏问题,分别提出、开发并检验了基于交叉记忆编码的隐式关系分类方法,以及利用数据增强的时序关系识别优化方法。具体地,本文工作包括以下三个方面（两项研究内容和一项系统开发内容）:（1）结合交叉记忆和交互注意力的隐式篇章关系识别现有研究通常构建复杂的神经网络模型以提升隐式篇章关系识别性能,但往往仅使用论元间的交互信息,或者是仅仅关注论元本身的关键信息,并没有深层次多角度的挖掘论元自身和互相之间的信息。针对这一问题,本文提出了一种模拟交叉记忆的方法,通过理解一个论元的语义,影响另一个论元语义的编码记忆。本文借助对传统BiLSTM模型的计算模式改造,实现了这一交叉记忆方法,并将其嵌入到一套多层交互的神经网络架构中。本文在PDTB v2.0上测试这一方法,实验结果证明该方法在不同关系类型上取得了高于基线模型的性能,并在跟前沿（State-Of-The-Art）模型对比中,体现了具有竞争力的性能。（2）基于数据增强的隐式时序关系识别时序关系是PDTB语篇关系体系中的四类主关系之一,识别时序关系（对论元对子是否具有时序关系进行“是或非”的二元分类）也是极具挑战的独立任务之一。目前,时序关系二元分类的性能远低于其它主类（偶然性、扩展和对比关系）的分类性能,其关键因素是PDTB数据中的时序关系标记样本极为稀缺（约占所有样本的百分之七）,属于低资源场景,这类规模的数据难以指导神经网络模型在监督学习的过程中获得可靠的特征辨别能力。为此,本文提出并实现了一种基于数据增强的隐式时序篇章关系分类模型,利用变分自编码器（Variable Auto-Encoder,简写为VAE）和对比学习（Contrastive Learning,简写为CL）机制,构造原始样本的变体（同质异构的样本）生成器,并利用生成的变体强化模型的机器学习能力。实验验证,结合本文所提的数据增强方法,基于RoBERTa的时序关系分类模型能够获得显著的性能提升。（3）隐式篇章关系识别系统本文结合了基于交叉记忆的隐式篇章关系识别和基于数据增强的隐式时序关系识别模型,基于前端框架Vue和Bootstrap,以及后端的Tornado框架,搭建了隐式篇章分析线上系统。用户输入相关的两个论元对子,系统便会基于交叉记忆和交互注意力模型返回两个论元之间的分类结果;同时,当用户输入一个文本时,系统会自动的识别其中的时序关系。该系统展示了本文的研究工作,同时也能对其他自然语言处理工作起到一定的辅助作用。