自然语言处理的一个重要分支——中文信息处理,在语义理解、文本生成等众多方面作用突出,而复句又作为汉语语法的重要实体单位,其在语义表达上复杂多样,因此,具有很高的研究价值和意义。一方面,它由单句构成能表达出非常丰富的语义信息;另一方面,也包含了单句间的逻辑语义层次结构关系,对于段落篇章分析意义重大。复句研究目前主要包括分句划分,关系词识别,关系类别判断,以及层次结构分析等。鉴于关系词对复句层次结构识别存在直接影响,因此能够有效准确地识别出关系词十分重要,但由于关系词本身离析度不同,及存在大量缺标或无标复句,使得提取准确率不超过76.3%[1]。因此,就需要从句法、语义、及交叉特征等多角度来综合分析复句层次结构关系。本文主要围绕基于改进的卷积神经网络方法并采用多维度特征融合的策略对复句层次结构进行分析识别。研究工作主要包括三部分,首先,对复句进行准确分句划分,通过分析复句依存句法,提取出基于谓词核心的句法特征,包括句内谓核依存复现分布和句间依存关系分布;然后,鉴于分句间语义关联程度是决定层次结构划分的重要因素,利用中文维基百科语料训练句向量Doc2Vec模型,提取基于句向量的语义特征,及句间相似度度量特征,并将其按信息量90%留存度进行PCA降维处理;最后,由于复句多为短文本且缺少上下文信息,在一定程度上会造成分句的整体表示存在语义缺失或表示偏差,那么可以加入局部语义信息作为补充,因此,提取基于词向量Word2Vec与TextRank相结合的抽象特征,前者表示词嵌入,后者提取句中带权关键词,共同计算分句加权关键词词向量用以表征其局部语义信息,同样按90%信息留存度作降维处理。因此,通过浅层句法特征、深层语义特征,及交叉抽象特征三个维度作为复句表示。通过特征融合将机器学习算法作为基线模型并做特征权重分析,以改进的带注意力机制的双通道卷积神经网络模型在CCCS语料库上进行对比实验,分析其预测准确率、F1-score、AUC,通过实验,语义特征、相似度特征及带权词向量特征对目标影响较显著,同时复句层次结构分析的正确率为83.1%。该结果表明,本文提出的基于深度学习的一系列研究方法对层次结构分析是行之有效的。