隐式篇章关系分析是自然语言处理中篇章分析的重要任务之一。其主要目的是对篇章中的两个句子、子句或分句,确定他们之间的篇章关系,通常被分类的这两个句子、子句等被称为论元。篇章关系主要反映了论元之间的语义连贯性,常见的关系有时序关系、扩展关系、比较关系等等。对于篇章关系的准确分类是十分有意义的,可以帮助机器更好地理解长篇文本,同时帮助一些下游任务如机器翻译、文本等。然而隐式篇章关系分析因为缺少连接词,而且也没有其他明显的表面特征可以直接用于分类,十分依赖于对文本的语义理解,只有明确了两个论元的语义才能确定关系,因此较难解决。在本文中,我们提出了一种深度增强表示的模型,可以通过多种层次、多种粒度的表示,将文本中的很多信息融入进来,生成能够反映论元对于篇章关系相关的语义表示。这个优化后的表示使得分类器可以更加容易地从中获取到篇章关系语义,使得分类结果得以提升。除了语义方面,数据的不足也是这个任务的一个严重问题。隐式篇章关系很难抽取出符合要求的数据,同时标注也比较难,所以使得数据量不太充足。标准数据集PDTB 2.0中只有一万多个相关数据。我们希望更充分地利用这些现有数据,因此在本文中,我们又提出了一个记忆模块,用于记忆训练数据,帮助分类。记忆模块工作的方法是将关系分类所用的编码器将论元对编码得到一个语义向量,然后将这个向量用作查询的键,并且将其对应的篇章关系也储存起来,这样在测试的时候,就可以根据测试样本的语义编码向量查找最相似的训练实例,然后获取他们真实的篇章关系,然后用这些关系来帮助测试样本的分类。本文通过在标准数据集上的实验证明了这些方法的有效性,这些方法可以使得关系分类的效果得以提高,取得了当前最好的结果。