篇章关系识别（Discourse Relation Recognition）旨在理解两个相邻的篇章单元（称为论元）之间的语义连接关系,包括偶然关系、比较关系、扩展关系和时序关系等,其广泛应用于文本摘要、智能问答、机器翻译等自然语言处理领域中。与显式篇章关系不同,隐式篇章关系识别任务由于不能通过连接词直接识别篇章关系,需要结合特定的上下文特征对篇章进行理解,逐渐成为一项极具挑战性的研究任务。目前,隐式篇章关系识别方法通常关注篇章论元文本本身的语义信息线索,主要存在以下问题:1)忽略了文本对的几何结构信息;2)不能有效整合除文本外的其它模态的语义信息;3)不能捕获篇章论元间的更为深层的语义交互特征。本文从增强篇章论元表示和深层交互表示两个方面,对隐式篇章关系识别进行研究。本文主要工作如下:（1）如何合理挖掘篇章论元对间的空间几何结构信息是隐式篇章关系识别任务的关键问题。考虑到单一的文本语义信息在有限语言资源的情况下无法充分表征篇章论元,本文提出一种基于Trans S驱动的联合学习框架来捕获篇章论元-关系实例的空间几何结构特征以增强篇章论元的语义表示。宏观上,在低维嵌入空间中转换篇章关系（称为Trans S）以挖掘篇章论元-关系实例的潜在空间几何结构信息;具体地,设计了联合学习框架将篇章论元-关系实例的空间几何结构信息融入到篇章关系识别的过程之中,以增强模型对隐式篇章关系识别的能力。（2）如何有效利用多种模态语义信息是隐式篇章关系识别任务的重要方向。根据认知理论中的相关发现,篇章的语义理解不能脱离多种模态信息的综合处理而存在。因此,本文从认知理论角度切入,提出了基于心理意象驱动的表示增强的神经网络模型。其使用文本生成的多粒度心理意象图像向量（短语、句子）来增强篇章论元表示,缓解了仅仅考虑单一的文本模态信息不能充分表达篇章论元的语义信息而带来的多义性,歧义性和模糊性等问题,探究了使用不同模态的信息来综合辅助篇章关系识别。（3）如何捕获篇章论元间的深层交互信息是隐式篇章关系识别的核心要素。为了捕获深层的论元交互表示,本文提出了一个基于多头双向注意力的交互式Transformer神经网络模型,通过多头双向注意力机制捕获了不同语义空间中的交互表示,不仅保持了篇章文本的语言线索还捕获了论元间的语境交互信息,提升了模型的识别能力,并缓解了传统Transformer在获取篇章论元对交互信息的不足。综上所述,本文针对篇章的论元及其交互的语义表示进行分析,从增强篇章论元和交互信息的特征表示两个角度切入,对融合不同形式,不同模态的语义信息和捕获不同语义空间的交互线索三个方面进行了研究,提出三种基于深度表示增强的隐式篇章关系识别模型。为篇章分析研究提供了重要的参考,在理论意义和应用价值等方面做出了一定的贡献。