抽象语义表示(Abstract Meaning Representation,AMR)是一种领域无关的句子语义表示方法,它以一个单根有向无环图来表示句子的语义。AMR解析目标是将一个自然语言句子转换成对应的AMR图。目前,针对AMR解析的研究还处于起步阶段。通过对AMR标注句子的实例分析可以发现,AMR图与相应依存句法树之间存在着密切的关联性:目前,现有的依存句法分析器相对AMR解析器具有较高的分析准确性。然而,现有的各种基于深度学习的AMR解析模型大都忽视了有效利用依存句法结构信息提高AMR解析性能。因此,本文针对在AMR解析任务中如何集成和利用依存句法结构信息的方法展开实验性研究。具体地,本文的工作主要包括以下三个方面:(1)梳理了现有AMR解析技术的研究现状,重点分析并对比了不同AMR解析模型对依存句法信息的利用方式,指出了目前研究的不足。同时,对主流的依存句法分析模型和多任务学习技术也进行了深入分析。(2)设计并实现了依存句法分析基线模型和AMR解析基线模型。依存句法分析基线模型采用基于自注意力的句子编码模型和基于双仿射分类器的预测模型。AMR解析基线模型中,采用基于LSTM-CRF的序列化标注模型实现了语义概念的识别,采用和依存句法分析模型相似的方法实现了语义关系的识别,最后通过贪心解码算法生成AMR图。实验结果表明,本文所设计的基线模型,在保持两者的模型相似性的基础上,具有较好的性能,为联合模型的构建打下了基础。(3)提出了一种在AMR解析任务中使用依存句法特征信息的新方式,建立了融合依存句法分析的AMR解析联合模型。该模型使用了参数共享的方式,使模型可以获取一般性的特征表示,引入了注意力机制使AMR解析充分地利用了依存句法的相关知识,改进了损失函数以缓解梯度不平衡问题,通过预训练的语言模型提升了解析性能。实验结果表明该联合模型在提升AMR解析性能上有很好的效果,相比传统的使用特征模板的方式,更能够有效地利用依存句法的信息。