句法分析作为自然语言处理中的重点与难点问题,一直广受关注。而组块分析作为浅层句法分析的重要一环,降低了完全句法分析的任务难度。组块分析系统主要是识别句子中的组块信息并对其分类。组块信息可作为中间产物应用到自然语言处理的诸多领域,比如信息检索、信息提取、文本分类、语音识别等等。随着人工智能地普及,深度学习技术已在诸多领域取得丰硕的成果。当然,自然语言处理也是深度学习的用武之地。基于循环神经网络（RNN）的一系列网络模型能够很好地处理任意长度的序列数据。大量的实践已证明,深度学习算法在处理自然语言处理领域内的诸多任务时,其效果优于基于统计的机器学习算法。本文将深度学习算法运用到组块分析任务中,完成基于深度学习的组块分析系统的设计及实现。本文介绍了组块分析的背景及基础知识,使用到的深度学习算法。结合实际应用,分析业务流程,对系统进行功能需求分析,将系统分为两个子系统:训练模型子系统和组块识别子系统。系统在各子系统中又细分出多个模块以实现不同功能。组块分析系统主要包括数据预处理模块、词向量模块、训练模型模块以及组块识别模块。各模块边界清晰,功能明确。所有模块协同工作,共同组成整个分析系统。本文详细地描述了主要模块及主要功能的实现细节,并根据系统功能需求说明,对各功能进行了功能测试,以保证系统的安全稳定。本文将深度学习模型与传统机器学习模型在处理组块识别任务上进行比较。在相同的训练集和验证集上,最大熵模型与支持向量机模型在不同组块上的准确率、召回率、F1值均达到96%左右。LSTM模型的准确率为97.9%,召回率为97.85%,F1为97.87%。可以看出,基于深度学习的神经网络模型较好地完成了组块分析任务,并且在各个组块的识别效果上具有明显优势。