隐式篇章关系识别旨在判断缺少连接词的两个论元（通常为句子或子句）之间的语义关系,例如转折、因果等。准确地识别这些语义关系有助于提高机器翻译、情感分类和问答系统等自然语言应用的性能。目前,隐式篇章关系识别依然是一项极具挑战性的任务,其困难之处主要体现在:1)在缺少连接词的情况下,隐式篇章关系识别需要理解两个论元的语义。2)主流的隐式篇章关系识别模型都是数据驱动的,而人工标注的篇章语料又非常有限。因此,当前的研究工作主要从以下两条主线展开:1)设计基于神经网络的隐式篇章关系识别模型,学习论元的分布式语义表示。2)利用半监督的方法处理训练数据不足的问题。本文沿着第二条主线展开工作,研究如何利用大量的显式篇章实例（或基于它们的人造隐式篇章实例）提高隐式篇章关系识别的性能,其贡献可以总结为以下几点:1)基于协同训练的隐式篇章关系识别方法。前人已经证实人造隐式篇章实例存在“领域问题”和“语义转移问题”,不加区分地用于扩充训练数据反而会导致隐式篇章关系识别性能的降低。因此,本文第2章首先基于递归自编码器学习隐式篇章实例的分布式特征,实验证明这些特征和人工特征是相互补充的。然后,提出一种基于人工特征和分布式特征的协同训练方法,利用两类特征之间的互补性,挑选一些有效的人造隐式篇章实例用于扩充训练数据。实验结果表明基于协同训练的方法在中、英文隐式篇章关系识别任务上都是有效的。2)引入双语约束人造数据的隐式篇章关系识别方法。基于中英双语中存在的“隐式/显式不匹配”现象,本文第3章首次提出基于中英句对构造双语约束的人造隐式篇章实例。它们能够在一定程度上避免“领域问题”和“语义转移问题”,因此更适合用于扩充隐式篇章识别的训练数据。然后,设计了一种简单有效的多任务神经网络模型,用于集成这些双语约束的人造隐式篇章实例。实验结果表明引入双语约束人造数据的方法的性能明显优于集成了其他额外数据的基准系统。3)基于连接词敏感的词向量的隐式篇章关系识别方法。显式篇章实例中,同义/反义词词对通常伴随连接词and/but出现,其它连接词周围的词对同样呈现出一定的规律。因此,本文第4章提出基于大量的显式篇章实例学习连接词敏感的词向量,这种词向量能捕获词对所蕴含的篇章关系信息。使用连接词敏感的词向量代替普通的词向量作为输入特征能显著地提高隐式篇章关系识别的性能。实验结果也表明这种方法能够有效地利用大量的显式篇章实例。