并列结构作为自然语言中的一种常见组成结构,它的正确识别可以很大程度上提高自动句法分析器的性能和效率,也能推进汉语树库的构建工作,同时其识别结果也可直接应用于机器翻译、信息抽取等领域。由于汉语本身复杂多变的特点,并列结构识别成为中文信息处理领域的研究难点。目前的研究中,基于规则的方法需要人工根据具体语言语法和领域来构造规则模板,应用这种方法系统实现代价很高,并且可移植性较差。基于统计的方法虽取得效果较好,但高度依赖于标注语料,未利用无标注语料中丰富的语义信息,同时现有的标注语料规模无法满足大数据时代下的语言模型。针对这些不足,本文对有效识别并列结构的方法展开探索,提出基于半监督学习的并列结构识别方法,以尝试解决并列标注语料匮乏和目前研究未使用未标注语料中语义信息的问题。首先,针对传统方式依赖于标注语料,未能充分利用未标注数据语义信息的问题,本文以条件随机场为基本框架,从未标注语料中训练出词向量继而提取出无监督特征加入有监督模型,同时引入语言学特征来开展多组对比实验,考察融入不同类型的特征对并列结构识别效果的影响。实验表明,无监督特征的融入能提高并列结构的识别效果,使F1值达到85.75%,语言学特征和无监督特征结合后的F1值为85.77%,这说明语言学特征对结果的影响甚微,而无监督特征的引入可以减少人工选取特征的工作量,并将语义信息以较简洁的方式融入识别模型。其次,并列结构识别研究受到标注数据量少这一问题的限制,而半监督学习和主动学习都是在少量标记数据代价下,利用未标记数据提高监督学习识别性能的有效方法。为此,本文提出结合半监督学习中的协同训练（Tri-training）算法和主动学习的识别方法,先基于协同训练自动标注样本点,再利用主动学习算法提取部分不确定度较高的样例进行人工校正。在训练模型之前,为平衡训练集样本分布,提出一种适用于并列结构的规则欠采样数据剪辑方法,基于规则对未标注数据进行欠采样处理,这为后续的模型训练奠定了良好基础。在样本不确定性度量上,提出了一种改进的最小置信度样本选择策略（En LC选择策略）,对具有较高度量值的无标样本进行标注校对,用以提高模型标注效率和质量。实验结果证明增强的Tri-training方法和主动学习结合的方式能够有效扩展标注语料规模,并且采用En LC选择策略的模型性能更优。