自然语言处理（Natural Language Process,NLP）是计算机科学和语言学的交叉,是人工智能领域的一个重要分支。近几年来随着计算机运算能力的提高,自然语言处理技术发挥了越来越重要的作用,来帮助解决人们实际生产生活领域中遇到的各方面问题。中文自然语言处理是NLP领域的重要组成部分,随着我国综合国力的不断增强、国际地位的不断提升,汉语也越来越作为一门流行而普及的语言受到世界的关注。中文自然语言处理同样具有一般自然语言处理中的一些共性的问题与难点,如词义消歧、一词多词性等,同时也有一些诸如自动分词的独特问题。如何设计方案让计算机解决中文自然语言处理中的这些难点,并做到准确理解中文文本,需要研究人员的不断深入探索。初等数学文本是一般语言文本的一个特殊分支。一方面它既是规范化的语言描述,有着主谓宾、主体客体等句子主干结构;另一方面它是混合语言而非单一语言文本,并且多为中文和英文组合。因此许多传统的NLP任务在数学文本上,既有着一般文本的共性部分,又体现了有别于单语言文本的特性部分。而在初等数学中英文混合文本上进行自然语言理解的探索,是一个困难但有挑战性的任务,它对语言模型的健壮性、以及诸如分词和实体命名等任务的精确性提出了更高的要求。本文将会探讨自然语言处理在初等数学中英文混合文本理解上的一个最佳实践。本文从自然语言理解现存的问题和相关技术出发,将数学自然语言处理流程分解为一个个小环节,并对其中的关键技术进行了详细的研究与实现。在数学领域的分词和词性标注任务上,本文基于哈工大的LTP模型进行了数学领域的封装和增强;在数学命名实体识别问题上,本文提出了一种基于一阶谓词逻辑依赖的“类型递进”策略,并设计了基于深度学习的中文实体类型边界识别模型,提升了在中英文混合文本上的实体命名效果。本文最终实现的融合模型既能满足高召回率要求,同时针对线上负样例实现快速纠错,能够用来解决初等数学中英文混合文本中的自然语言理解问题。