【摘要】汉语句式分类是自然语言处理（ＮＬＰ）领域的重要基础任务，对于机器翻译、智能问答及情感分析等下游应用具有支撑作用。 然而，现有研究主要集中于单一句式的识别，对多句式分类问题关注较少。 在实际语境中，汉语句子常呈现多句式嵌套或混合现象，其分类需解决句式边界模糊、上下文依赖复杂及标注数据稀缺等挑战，现有方法在此类场景下的性能显著下降。 针对上述问题，本文提出一种融合双向编码器表示（ＢＥＲＴ）与双向长短期记忆（ＢｉＬＳＴＭ）网络的汉语句式分类方法，通过层次化语义建模，实现全局与局部特征的互补优化，并首次系统地探索了多句式分类任务。 本文基于自建汉语多句式数据集展开实验，对比了包括支持向量机（ＳＶＭ）、文本卷积神经网络（ＴｅｘｔＣＮＮ）在内的 ６ 类基线模型。 结果表明：ＢＥＲＴ⁃ＢｉＬＳＴＭ 模型在多句式分类任务中 Ｆ１ 值高达 ９３.８９％，相比其他模型准确率提升 ５％以上，说明本文模型具有更好的句式分类效果。