成分句法分析是自然语言处理中一个重要的基础任务,最终目标就是分析出给定句子的短语结构句法树。目前主流的成分句法分析方法可以分为三类:一基于转移系统的方法,二基于动态规划的方法,三基于句法树序列化的方法。三种方法各有所长,方法一和方法三解码效率较高,但是牺牲了解码效果;方法二解码效果很好,但是造成了解码效率的低下。本文主要关注基于序列化的方法,探索如何更好地平衡成分句法分析模型的效果和效率。首先本文提出了一种基于中序遍历的成分句法树解码方法。按照中序遍历的顺序进行贪心解码,将原本动态规划方法的（!）时间复杂度降低到了（log）,其中是输入句子的长度。中序遍历解码结合了基于前序遍历和后序遍历的解码方法的优点,在一定程度上可以进一步提升模型的效果。此外通过预测中序遍历的序列,还可以充分利用已经预测出来的历史决策信息,来提升后续序列预测的效果。实验表明,该方法效率高于动态规划方法,同时效果上有一定提升。其次本文提出了一种基于句法树左子结点序列化的解码方法。通过预测句法树中所有的左子结点,还原整棵句法树。一棵成分句法树的所有左子结点可以表示成和句子长度相等的一串整数序列。通过注意力机制和快速的局部归一化,解析器可以在很高的并行程度下预测出最终的成分句法树,时间复杂度（log）。最终实验结果表明,该方法可以用序列标注方法的高效率,达到和动态规划解码方法相同的最佳效果。最后本文提出了一种基于图神经网络的成分句法树结构表示方法。成分句法树的结点数和结构在预测前是未知的,难以用图神经网络进行建模。而利用第二个工作中提出的序列表示方法,可以忽略成分句法树的非叶子结点,对所有叶子结点构建一个近似的全连接图。然后使用图注意力网络对这个图进行编码,增强结点的表示。最终实验结果证明,利用图神经网络可以很好的编码相邻短语之间的连接关系,进一步提升模型效果,并最终超越了传统的动态规划解码方法。