近几年,随着人工智能技术的广泛应用,句法分析等深层自然语言分析的关注度越来越高。句法分析的主要任务是分析一个句子的构成,并使其可以转化成句法树。通过句法分析,可以解析一个句子的构成词块,词与词之间的关系,从而帮助机器理解自然语言,并运用于机器翻译、自动问答、文摘生成等语义理解领域中。句法分析是自然语言处理的一个经典任务,本文主要研究汉语层次句法分析中的边界问题。首先通过剖析短语结构的层次句法分析的层次性和汉语的结构特点,提出了一种把核心词作为词块的形式替换、层层进行词块组合的句法结构树。在句法边界分析的过程中,将词块识别和核心词提取分开进行,并对词块识别和词块的核心词提取方法分别进行探讨,并利用不同的模型进行了实验。具体如下:1.核心词提取。本文将词块核心词提取问题看作求词块中每个核心词的重要度的问题,然后取出重要度最高的词作为该词块的核心词。首先结合Word2Vec词向量改进Text Rank重要度排序算法,然后加入词语的相似度信息、位置信息、词性信息来提高识别准确度。2.词块识别。首先将词块识别看作一个标记序列识别的问题,然后分别使用双向长短期记忆模型（Bi-directional Long Short-Term Memory,Bi LSTM）、条件随机场（Conditional Random Field,CRF）、二者结合的模型（Bi LSTM+CRF）进行词块边界标记的识别。其中CRF能够学习输出标记序列结果的转移特征,学习预测序列相邻的标记搭配关系,达到预测标记序列联合解码的效果;Bi LSTM能够学习上下文特征,解决序列预测中的长依赖问题。Bi LSTM+CRF模型充分发挥了各自的优势,提高了序列的识别效果。在宾州中文树库（CTB8.0）语料上进行了所提出方法与基线方法的对比实验,并且对比了CRF、Bi LSTM、Bi LSTM+CRF词块识别分别与改进的Text Rank核心词提取方法组合的句法边界分析效果,以及各句长下每种模型的识别情况。结果表明,使用Bi LSTM+CRF联合改进的Text Rank识别效果最好,相比于基线LR方法F1值提升了6.58个百分点,整句正确率提升了3.68个百分点,验证了模型的有效性和稳定性。