篇章关系表示两个文本单元之间的逻辑关系。隐式篇章关系因为其识别难度大,并在自然语言中所占比例高等原因备受关注。在隐式篇章关系识别中,句子的语义信息、信息焦点、语法信息和抽象特征都起着重要的作用。基于特征表示的学习方法难以获取信息焦点,并且构建成本高。因此本文利用卷积神经网络学习抽象特征的特性构建一个全新的隐式篇章关系识别模型,该模型能够学习语义信息、信息焦点、抽象特征等对隐式篇章关系识别有着重要影响的信息,因此能够提升模型识别效果。实验表明该模型在PDTB数据集上提升了 4%左右。本文主要研究工作包括以下几个部分:(1)研究基于传统特征组合方式和词向量表示方式的模型。利用经典的特征组合实验作为本文的baseline,并探索不同词向量和词向量维度对模型的影响。(2)探索几种句子模型的识别效果。分别提出了基于词袋模型、序列化模型和树状模型的隐式篇章关系识别模型,研究发现语义信息、语法信息和信息焦点对隐式篇章关系识别有着重要的作用。单独使用具有特定信息的句子向量的模型效果不佳,因此还需要加入额外的信息如特征、词向量以提高模型效果。(3)提出基于卷积神经网络的隐式篇章关系识别模型。模型结合了双向的长短记项记忆(Long-Short Term Memory,LSTM)、卷积神经网络和 K-Max Pooling的优点,构建一个能够学习语义信息、信息焦点和抽象特征的模型。该模型比前人工作结果提升了 4%左右。