获取文本语义是大部分自然语言处理研究的最终目的。文本语义是指文本信息所包含的真实意义,文本语义分析通过建立模型使计算机能够模拟人类对自然语言的深层语义进行理解,识别信息中所包含的真实含义。获取文本的真实语义有助于提高各种自然语言处理顶层任务的处理效果,如机器翻译、问答系统、对话机器人等。语义分析过程中,当数据分布不平衡时,文本语义特征提取尤为重要,如何做到不忽略小类别的特征是亟待解决的问题。在语义关系识别任务中,中文句间关系多为无连接词的隐式关系,其识别是语义关系分析的难点。针对篇章长文本,提取中心语义,并生成可读性高的摘要具有重要意义,但是目前抽象摘要自动生成任务的完成效果仍有较大提升空间。本文以不同的研究任务为视角,针对文本语义分析中的难点,提出了基于深度神经网络的文本语义特征提取、语义关系分析与语义理解模型,研究内容和创新点如下。1.面向长文本分类视角的文本语义特征提取模型。针对数据分布不平衡问题,以长文本语义分类为研究视角,研究了叙事性长文本事件提取方法,提出了基于深度学习的长文本特征提取模型CRAFL。该模型首次将残差网络应用于长文本语义分析中,并通过增加损失函数中类别的高斯权重解决了数据分布不平衡问题。模型结构方面,首先,输入文本经词嵌入转化为向量形式的文本表示。其次,带有注意力机制的残差网络从文本表示矩阵中学习文本语义特征,并降低特征矩阵维度。再次,循环神经网络进一步学习序列深度语义特征。最后,通过改进损失函数,增加中小类别的权重,缓解了各类别分布的不平衡。实验部分,在四个公开数据集上的实验结果表明,CRAFL模型在长文本分类上的效果优于基线模型,在案件描述文本数据集上,CRAFL模型的宏平均F1值达到89.0%。2.面向句间关系分析视角的篇章语义关系分析模型。本文针对中英文语义关系分析研究中的差别,以中文隐式篇章句间关系识别为研究视角,提出了篇章语义关系分析模型BERT-Tree。中文隐式句间关系无明显的连接词,只能通过语义分析来识别句子间的关系,BERT-Tree模型能够分析中文句子语义,识别句间隐式关系。该模型基于预训练方法与树型语义框架,首先,将具有语义关系的两个句子文本分别输入到预训练语言模型中形成文本特征矩阵。融合所得的两个句子特征,形成句间关系特征。然后,针对关系类别的层次特性,使用树结构的语义框架识别句间语义关系。实验部分,在两个中文篇章语料库上训练与测试模型,BERT-Tree模型结果均超过了基线模型,在CDTB数据集上的宏平均F1值达到54.3%。3.面向自动抽象摘要生成视角的篇章语义理解模型。本文针对篇章语义理解,以自动摘要生成任务为研究视角,研究了文本语义理解方法,提出了一个自动文本摘要生成模型BSSA。该模型能够不经过繁复的数据预处理,将输入的篇章文本直接转化为摘要输出。所提出模型与其他研究的不同之处在于将文本预训练方法融入生成模型中,并在序列生成中增加了注意力机制。首先,模型在序列生成之前通过预训练方法对文本进行特征学习,生成文本的特征表达,挖掘文本深层特征,获得篇章文本语义。其次,将注意力机制引入到序列生成过程中,增加重要特征的权重,并在结果中突出篇章文本特征。最后,通过解码过程生成文本摘要。实验部分,本文在多个篇章数据集上对模型进行了测试,实验结果证明BSSA模型获得了良好的效果,在CSL数据集上RL指标达到35.1%,超过了所有基线模型,模型的各部分对模型整体效果起到支持作用。实验证明文本提出的模型在文本语义特征提取、语义关系分析与语义理解的相应任务的研究上取得了进展。