依存句法分析是识别句子中词与词之间的语义修饰关系并构建依存句法树的过程。依存句法树能够简洁高效的表达句子的句法结构信息,广泛应用于机器翻译、问答系统等自然语言处理任务中。在对汉语进行依存句法分析时,需要先依次进行分词和词性标注。为解决这种串行分析方式中存在的错误传播和无法共享特征的问题,研究人员提出联合三个任务同时进行分析的方案,如何同时提升三个任务的分析精度一直是汉语依存句法分析研究追求的目标。依存句法分析主要有基于转移和基于图两种分析方法。基于转移的依存句法分析方法一直保持着最高精度,但是随着计算能力和深度学习技术的发展,基于图的分析方法在全局决策和并行化处理上的优势得以发挥,在英语依存句法分析的精度上超过了转移方法。本文围绕基于图的汉语依存句法分析方法展开研究,重点研究基于图的汉语分词、词性标注和依存句法分析联合模型以及图模型中二阶子树的利用方法。已有工作仅对分词和依存分析任务进行联合,如何联合词性标注任务成为汉语依存分析联合模型迫切需要解决的问题;另一方面,已有工作仅尝试利用一阶子树,如何利用二阶子树提高精度成为基于图的分析方法亟待解决的问题。本文从上述两个问题出发,提出基于图的三个任务的联合模型,设计实现融合二阶子树的汉语依存句法分析联合模型,并在公开数据集CTB5上进行实验评测,主要工作和贡献总结如下:（1）提出基于图的汉语分词、词性标注和依存句法分析联合模型。词性标注任务无法像分词任务一样,通过转化为字间依存关系直接与依存分析任务联合。为联合词性标注任务,我们考虑将其转化为字级别序列标注任务,采用多任务学习的方式进行联合。为此,本文设计两种联合方式:一是隐式方式,设计共享编码层以实现字级别词性标注任务与字级别依存分析任务的联合;二是显式方式,设计标签注意力机制将向量化的词性标签融入字级别依存分析任务中,以此实现联合。本文在汉语句法数据集（Chinese Treebank 5.1,CTB5）上进行实验,实验结果显示,隐式和显式的联合模型,在无标签依存分析F1值上分别提升0.24%和0.22%,说明本文提出的两种联合词性标注任务的方式能够有效提升依存分析精度。与最新的转移模型相比,在词性标注F1值和无标签依存分析F1值上,隐式联合模型分别提升0.80%和6.49%,显式联合模型分别提升1.01%和6.47%,说明本文提出的基于图的三个任务的联合模型相比转移模型更有优势。（2）设计实现基于图的二阶中文分词、词性标注和依存句法分析模型。已有工作假设依存弧之间相互独立,仅利用一阶子树进行预测。我们考虑同向相邻的弧之间或首尾相接的弧之间存在相关性,相应的分别设计融入相邻兄弟二阶子树与祖父二阶子树的二阶模型。同样数据集上的评测结果显示,两种二阶模型在分词、词性标注和依存分析三个任务的F1值上都有提升,其中采用相邻二阶子树的模型分别提升0.11%、0.33%和0.24%,而采用祖父二阶子树的模型分别提升0.16%、0.37%和0.26%,说明本文构建的二阶模型能有效提升联合模型中三个任务的分析精度。