现实场景很多数据具有复杂结构,如分子结构、数学公式、社交网络数据等。具有复杂结构的数据,其组成元素之间往往存在复杂关系。例如,数学公式中存在的上下标关系,化学分子中原子间的连接。然而,复杂结构关系与逻辑关系的识别与推断十分困难。近年来,深度学习在处理结构关系上展现出巨大的潜能。因此,本文基于深度学习分别研究复杂结构的识别和推断问题。针对复杂结构识别问题,本文对数学公式识别及化学结构识别两个具体任务展开研究。数学公式识别及分子结构识别是将包含复杂结构的图像转换成对应的文本序列。现有方法普遍存在两个问题:（1）未针对图像中的结构关系进行处理;（2）未在序列级别上考虑文本的复杂性。针对上述问题,本文提出一种序列级别的复杂结构识别方法。具体地,本文设计一个结构感知模块来处理图像中复杂的结构关系。此外,为了更好地对生成的序列进行评估以指导模型学习,本文设计序列级别建模,将生成过程建模成马尔可夫决策过程并利用强化学习进行求解。本文在数学公式识别任务上,对比现有方法在EM指标上提升1.73%;在分子结构识别任务上EM指标提升0.66%。大量实验验证了本文方法的有效性。针对复杂结构推断问题,本文在分子性质预测任务上开展研究。分子性质预测是对分子的化学属性进行推断,是一个非常具有代表性的复杂结构推断任务。分子中原子间连接关系复杂且通常包含多个化学属性。现有方法大多利用单个深度网络对所有性质进行预测,其中各性质的权重需要人工的干预与调节。为了更好地捕捉原子间的结构关系,本文通过注意力机制加强分子结构信息的理解。同时,本文基于模型对不同性质预测的不确定性,在网络学习的过程中自动调整各预测性质的权重。本文方法在MLQM数据集的五个目标上对比基线模型平均均方误差减小1.19e-3。在QM数据集的12个目标中的10个目标上预测结果优于现有模型,平均MAE减少0.31。大量实验验证了提出方法能够有效提升分子性质预测的准确性。