处于大数据时代的今天,数据呈现出规模庞大、模态多样和高速增长等特征,语言数据的价值也随之爆发式地增长,汉语语料信息分析的价值也相应地提升。与此同时,与汉语相关的领域也得到了深入的研究,其中对于汉语句式分析算法的设计在其精度和准确性上都有明显地改善。基于中文语言处理系统（Language Technology Platform,LTP）,构建海量汉语句式库,利用数据挖掘技术及机器学习等方法,对汉语句式进行特征提取和应用为该领域研究带来了新的契机,也有望为后续的细粒度中文自然语言处理提供新思路。为了进行基于海量数据分析的汉语句式特征提取及应用,本文主要进行了如下工作:（1）通过爬虫获取大量的、丰富的、来自不同文体的汉语语句,并将预处理后的数据进行存储,在保证数据质量和准确性的基础上,建立具有针对性、时效性、开放性、操作性强的百万级个人语料库。（2）基于LTP4.0,对依存句法分析进行了改进,以此提取文本的句式结构信息,并将原较复杂的树结构转化成更易操作处理的向量形式,从而构建由句式结构向量、依存节点向量、权重向量三者共同组成的句式文本表示模型。在对数据库进行设计和优化后,对语料库中的每个语料进行句式分析,最终建立汉语句式库。（3）充分利用句式库中的海量数据,多方位的进行了句式种类的统计和分析,包括总结不同层级的汉语句式结构特点,结合不同文体的写作特点和表达方式来分析议论文、记叙文和说明文各自具备的句式特征,分析并比较处于“欧化”初期的现代作者和处在已具有较成熟汉语体制的当代作者对于句式结构的使用特征和个人写作风格。（4）提出了一种基于依存句法的句式相似度算法,从两个句子的依存句法树的根节点开始,逐层比较并得出两个树在每一层的相同节点个数,其中通过多次“剪枝”操作降低算法的复杂度,得到每层的相似度后对不同层的节点进行加权,最终计算出两个句子的句式相似度。（5）以句式语料库中的语料为样本,基于Kmeans++获得聚类中心并统计文章中每个句式所归属的簇及每个簇的成员个数,得到文章的特征向量,从而建立文章的句式空间表示模型。再以文章为单位进行不同文体、作者的句式特征分析,计算不同文章间的句式相似度,使用逻辑回归等六种机器学习分类模型对包含18个作者文章的数据集进行作者识别模型的构建。