语义分析是自然语言处理中的一个重要任务,语义角色标注(Semantic Role Labeling,简称SRL)是一种浅层语义分析的实现方式,它只标注句子中与谓词有关的成分的语义角色。目前,主流的语义角色标注研究都是基于短语的句法树进行的,针对基于短语结构的语义角色标注的研究已经较为成熟,并取得了很好的性能；然而,伴随此方法的发展所带来的瓶颈问题也日渐突出,导致其性能难以进一步提高。因此,开始有学者探索使用依存句法树进行语义角色标注。然而,中文领域的研究工作受限于语料库规模等因素,发展并不如其它语言。因此,本文从依存句法树出发,研究中文语义角色标注。本文主要内容如下：首先,构建了一个基准系统,该系统包括谓词标注(Predicate Labeling,简称PL)、语义角色标注和评价系统三部分。其中谓词标注分为谓词识别和谓词分类两部分,语义角色标注分为语义角色识别和语义角色分类两部分。本文之后的研究工作都是在这个基准系统上展开。其次,本文通过分析基准系统中使用的特征从而更有针对性的获取更多有效的特征。由于特征一直是决定语义角色标注系统性能的重要因素,所以能否找到更多有效的特征将直接决定系统的性能。最后,本文通过理论分析,将语义角色分类重新定义为序列标注任务,使用条件随机场模型替换之前使用的最大熵分类模型；并且根据错误分析,本文提出通过向语义角色分类模型中添加空类型,使该阶段拥有能够纠正一些语义角色识别阶段所遗留下来的错误的能力。本文的贡献主要表现在：研究并构建了基于依存句法树的语义角色标注系统；通过添加新特征的方法改进系统性能；通过重新定义语义角色分类为序列标注任务和向其中添加空类型来改善系统的性能。最终的实验结果表明,本文使用的方法都能大幅度的提升语义角色标注的性能,在自动谓词标注的情况下语义角色标注的P/R/F1分别为85.79%/85.85%/85.82。