当前,无人作战平台已经普遍使用,应用于敌情侦察、道路勘测、火力打击等任务。无人作战平台需要接收作战命令并且理解作战命令,因此人机交互在无人作战平台中具有重要地位。使用作战命令文本作为人机交互方式,需要机器对任务进行理解。任务理解的过程是将作战命令文本转换成机器能够理解的逻辑形式,主要包括中文分词和语义解析。中文分词将作战命令文本切分词语的序列,语义解析将词语的序列转换成逻辑表示。深度学习在众多领域中取得了显著成效,在深度学习模型中融入先验知识成为进一步提升模型效果的一个研究热点。本文沿着这个方向研究了面向任务理解的中文分词和语义解析方法。在中文分词的研究中,未登录词识别始终是一个难题。本文提出了一种可扩展外部知识的中文分词模型用来提高未登录词的召回率。该分词模型基于序列标注的深度网络,通过使用双路注意力机制实现对外部知识的融入及扩展。外部知识是词范畴信息,是一种上下文信息,有助于识别未登录词。双路注意力机制使用注意力机制编码词范畴信息。在使用序列到序列模型（seq2seq）进行语义解析过程中,针对解码器无法解码未登录词、编码器端忽略了作战命令的句法信息及解码器忽略了逻辑形式的层次结构信息等问题,本文提出了一种基于指针生成网络的树到树语义解析模型（tree2tree）。在模型的编码器端,使用序列编码器编码句子上下文信息,使用以句子的成分结构句法树为骨架的树形编码器编码编码句法信息。在模型的解码器端,使用树形解码器进行层次解码得到逻辑形式,保证逻辑形式的结构正确性。此外,在模型中引入指针生成网络,可以将未登录词从输入复制到输出,有效克服解码器端无法解码未登录词的缺点。本文实现了上述两种模型,在构建的语料集上进行了实验。试验结果表明,中文分词模型未登录词的召回率优于基线模型1.44%,tree2tree模型在语料集上的准确率分别优于seq2seq模型和seq2tree模型2.78%与0.82%。可见,在中文分词模型中融入词范畴信息以及在语义解析模型中融入句法信息和先验词有助于提高模型的的效果。