抽象语义表示(Abstract Meaning Representation,AMR)结构是一种新的旨在对整个自然语言句子进行语义表示的结构形式。AMR通过引入一个带根节点的有向无环图表示句子的语义,使之独立于句子的语法形式。显然,AMR语义结构将会有力地推动很多自然语言处理应用研究,如信息提取、问答系统、文本摘要、机器翻译等。对AMR自动解析算法的研究近来广受关注。近三年来,先后有多种不同的AMR解析算法被提出,但对AMR自动解析的研究目前还处在一个初级发展阶段,AMR解析的性能还相对较低。因此,在深入分析当前AMR语义解析研究现状的基础上,本文针对AMR解析工作进一步展开深入研究。具体的,本文的工作主要包含以下三个方面:(1)对AMR相关的各种解析算法进行了深入的分析与比较。当前主要的AMR解析算法可以概括为两种类型;一种是直接将词串转换为AMR有向图;另一种则是利用句子句法依存树转换为AMR有向图。第一个AMR解析器JAMR[6]是由词串得到的AMR有向图。(2)设计了一个改进的AMR对齐方法。JAMR中的AMR对齐是基于简单的贪心算法,不能处理较复杂的语义关系对齐。在此引入含隐变量的对数线性模型得到单个词与单个节点的对齐,通过对比的方式进行非监督学习。本文将AMR基于规则的对齐和对数线性模型的词对齐进行结合,我们的方法使AMR对齐的性能有了明显的提升。(3)针对管道模型存在的问题与不足,设计了一种增量式的联合模型实现AMR解析任务。为实现对AMR解析的两个子任务:概念识别和关系识别的联合分析。我们首先设计了一个CWBS的算法实现增量式的关系识别。然后通过采用一种类似于multiple-beam的segment-based解码器来实现概念识别;将关系识别的CWBS算法集成到一个增量式联合分析框架中,实现了两个子任务之间的信息交互。我们基于联合模型的AMR解析性能相比于管道模型取得了显著的改进,并且优于其他的AMR解析方法。