在汉语中,省略是非常普遍的一个现象。对于汉语省略的研究,一直是自然语言处理领域的热门课题。汉语省略研究对于问答系统、机器翻译、信息抽取等领域有着至关重要的作用。本课题主要针对交互式问答系统做了省略问句恢复的研究。在交互式问答系统中,存在着大量的省略问句。根据对真实环境下收集的语料的统计,大概有40%的问句属于省略问句。如果不对其缺失信息进行恢复,则计算机无法知道用户的真实意图。因此,省略问句恢复是交互式问答系统中至关重要的一个环节。本课题首先利用维基百科的分类信息和模式匹配的方法抽取了大量新词,用来扩展Hownet。利用依存句法分析归结语义关系,建立了一个包含上下位关系、属性关系、动宾关系等语义关系的语义关系表。这些语义关系被用在省略问句的分类和恢复中。本课题将省略问句划分为7类,包括语义完整、主语省略、指代等,利用机器学习的方法来对问句进行分类。在对问句进行分类之前,首先根据语法、句法等信息提取特征,然后对几种常用的分类方法做了比较,最终采用C4.5决策树算法作为最终的分类算法,并取得了76.15%的正确率。针对分类之后的问句,采取不同的策略对其进行恢复,主要利用问句结构、语义关系,距离等信息来确定缺失信息。由于指代在省略问句中占了很大比例,因此重点对其进行了处理。主要利用了代词的单复数、性别等信息,来确定最佳的候选词。最后,我们对省略恢复的结果做了评测,在两个语料集上的正确率分别为82.9%和75.3%,并且与他人做了对比,本课题所采用的方法有明显提高。