复句作为自然语言中重要的语法单位之一,上连篇章,下连小句,在自然语言中起重要的作用。根据复句中连接词的有无,可将复句分为具有连接词的显式复句和无连接词的隐式复句。复句在丰富汉语句子结构的同时也为文本的自动理解带来了困难。对复句进行准确判定并对其语义关系进行识别是自然语言处理的基础任务,可以为中文抽象语义表示(CAMR)、机器翻译、自动问答等上层应用提供支持。因此本文基于中文抽象语义表示语料和汉语篇章结构语料库,采用神经网络方法对复句判定和语义关系识别展开了实验性研究。研究内容主要包括:(1)复句判定及语义关系识别数据集的构建。该部分的主要工作是结合复句的相关理论知识,确定了本数据集所包含的语义关系类别,并对从中文抽象语义表示(CAMR)语料和汉语篇章结构树库(CDTB)语料中自动抽取的句子进行人工校对,完成了本文所用的数据集构建,其中显式复句3644句,隐式复句5144句,单句5359句。(2)提出一种基于神经网络的复句自动判定方法。为了利用上下文语义信息,对句子进行编码时采用Bi-LSTM(Bidirectional long short-term memory)获得句子级的上下文语义信息,采用注意力机制捕获句子特征,从而挖掘更深层次的语义信息,通过CNN(convolutional nerual network)提取句子中的局部信息,得到包含丰富语义信息的句子特征表示。实验结果表明该方法能够有效地对复句进行判定。(3)提出一种基于神经网络的复句语义关系自动识别方法。本文从句子结构特征角度关注复句的语义关系,使用句子级的词向量BERT增强句子的语义表示;为了充分利用句子的结构信息,采用Tree-LSTM对句子中的词语和成分句法树标记共同建模;隐式复句由于连接词的缺失使其语义关系识别较为困难,为解决这一难题,本文基于多任务学习将连接词分类信息融入到语义关系识别中。实验表明,对于复句语义关系自动识别任务,上述方法能够取得较好的识别效果。(4)提出复句判定及语义关系自动识别联合模型。为减少误差传递,本文为复句判定和语义关系识别任务构造了联合模型,通过联合模型和参数共享可以使用全局特征来提升局部预测,采用注意力机制使复句语义关系识别任务可以有效地利用复句判定任务所学到的信息,增强模型的性能。实验表明联合模型能够有效地减少误差传递,在两个任务中取得较好的识别效果。