在自然语言处理过程中，语义分析是一个不可或缺的阶段。通过语义角色标注，我们可以获取浅层语义信息。所谓浅层语义信息，是与概念深层语义相对而言的。语义角色标注是语法与语义的接口。　　 语义角色标注任务需要对语料进行一些预处理操作，包括：分词、词性标注、组块分析。其中，组块分析与深层语义信息直接相关，对于语义分析的质量也起着至关重要的作用，已引起研究者的广泛关注。　　 传统的组块分析系统大多采用单任务学习（Single—task Learning）模式下的统计方法，如Conditional Random Files模型，Support VectorMachine模型，Maximum Entropy Markov模型。它们虽然取得取得了不错的性能，但是我们并不知道哪种模型对于组块分析任务是最佳的模型，哪种特征或特征组合是最为有效的。　　 多任务学习（Multi—task Learning，MTL）方法能够在一定程度上解决此问题。多任务学习以并行的方式学习多个辅助任务，并用一个共享的结构来刻画这些任务间的共享信息，以此来提升目标任务的性能。　　 交互结构优化（Alternating Structure OptimizatioN,ASO）算法是最近提出一种线性多任务学习方法。它的有效性在半监督和监督模式下都得到了验证，我们在Chinese Tree：Bank2.0数据集上的实验证明它对于中文数据集同样有效。但是之前这些方法都需要引入大量的外部数据来获得性能的提升。因此，能否在不引入额外资源的前提下，用ASO提升组块分析系统的性能已经成为一个亟待解决的问题。针对这个问题，本文提出了一种以有监督的方式应用ASO的新算法。在Chinese Treebank5.0数据集上的实验证实了此方法的有效性，使错误率减少了5.72％。