因果复句是汉语中应用最广泛,使用最频繁的复句,是汉语复句研究中不可缺少的一个重要部分。复句的研究首先是要理解复句的语义,这就需要对复句的关系进行识别。对有标复句来说,可以根据关系词来识别复句的关系,但关系词识别也是一个难题,有时一个关系词可以对应多种类别,这更为复句的关系识别增加了困难。目前,对于复句关系识别有多种方法,基于规则和基于机器学习的方法都太过依赖人工选择的特征,会存在人工构建特征稀疏、语义不完备的情况。而基于深度学习的方法不需要人工提取特征,它可以自动挖掘复句的隐含特征,从而实现复句的关系识别。针对复句关系识别太过于依赖人工特征问题,本文提出了基于DPCNN模型与语句特征融合的方法进行复句关系识别,虽然深度学习模型可以自动挖掘句子隐含的语义信息,但添加人工选择的特征可以使深度学习模型能充分利用语言学研究的知识与成果,使模型效率更高,达到更好的识别效果。本文的研究对象是二句式有标因果类复句,数据来自于华中师范大学标注CCCS语料库和清华新闻分类语料库THUCNews。主要任务是使用深度学习模型与人工选择的特征相融合的方法对复句关系进行识别,比较不同特征与模型融合效果,选择出表现最好的模型。本文主要选择了关系词、词性、依存句法等三种人工选择的特征,并将这些特征建立索引,用一维向量表示。首先是使用pyltp对语料库中的复句进行词性标注和依存句法分析得到每个词的词性和依存关系,然后使用gensim库将复句训练成预训练的Word2vec词向量表示,将词向量与关系词、词性、依存关系等特征向量拼接作为新的向量输入到DPCNN模型中。实验将关系词特征、词性特征、依存句法特征分别与词向量拼接,同时也将不同特征组合与词向量拼接,获得了效果最好的组合方式,实验的F1值优于现有的方法。添加特征的模型比不添加特征模型的F1值也均有所增加,实验结果表明,在深度学习模型中融合人工选择的特征使模型表现更好。