近年来,随着自然语言处理研究逐渐深入,越来越多的研究者把研究重点转向宏观中文篇章层级。篇章分析致力于挖掘篇章内部信息,从而为全文建立起宏观理解并为下游任务提供帮助。本文聚焦于中文宏观篇章关系识别开展研究,在连贯的篇章中,篇章的各级单位称为篇章单元,篇章关系识别旨在探索篇章单元之间的语义逻辑关系。篇章关系识别面临着篇章单元间语义交互、篇章单元表示、篇章关系表示的挑战,本文针对这三项挑战展开深入研究,主要研究内容包括以下三个方面:（1）基于依存图卷积的中文宏观篇章关系识别方法考虑到以往的篇章关系识别方法既缺少从全文的宏观视角上来进行建模,也缺少捕获两个篇章单元之间词语的依赖关系。因此本文提出了一种将预训练语言模型和依存图卷积相结合的方法来识别篇章关系。首先,本文在预训练语言模型中引入篇章标题从篇章全局的角度出发辅助篇章单元建模;然后,分别构建基于依存关系的内部话题图和基于话题一致性的交互话题图;最后,通过图卷积神经网络整合内部话题图和交互话题图,加强了篇章单元之间的交互。实验结果显示本文提出模型的性能优于多个基准模型。（2）基于语义和主题的中文宏观篇章关系识别方法为解决篇章单元长度过长,传统表示方法难以有效建模的问题,本文提出了一种将篇章单元语义信息建模和主题信息建模相结合的方法。通过预训练的语义表示模块更好的对篇章单元进行编码,发掘篇章单元间的隐含关系;同时借助主题表示模块压缩语段的长度,借助主题信息,辅助模型从主题的角度上更好地理解篇章单元。实验结果显示本文提出模型的性能优于多个基准模型,从整体上提高了篇章关系识别的性能。（3）基于联合关系嵌入的中文宏观篇章关系识别方法鉴于目前工作集中在对篇章单元进行建模,或者改进两个篇章单元之间的交互方式,缺少挖掘篇章关系自身的理解。因此,本文提出了一个联合关系嵌入模型以建模篇章关系的语义连贯性。首先,本文使用关系名称嵌入,将关系标签的名称集合插入篇章单元之间作为形式上的显式连接词,以获得篇章关系在篇章单元文本中的浅层语义连贯性表示;然后,引入关系转移嵌入,使用基于转移的方法训练关系嵌入矩阵,学习篇章关系在篇章结构中的深层语义连贯表示;最后,应用关系匹配和联合学习使不同层次的语义连贯性表示共同辅助篇章关系识别。实验结果显示本文提出模型的性能优于多个基准模型。本文针对中文宏观篇章关系识别任务,提出了有效的解决方法,取得了良好的性能,将为中文宏观篇章分析的进一步研究提供借鉴。