估计概率分布是自然语言处理（NLP）领域中的核心问题之一。然而，在深度学习（DL）出现之前以及深度学习时代，尽管线性链条件随机场（linear-chain CRF）在序列标注任务中得到了广泛应用，但将树结构条件随机场（tree-structure CRF）应用于短语结构句法分析（constituency parsing）的研究却十分有限，主要原因在于“内部-外部算法”（inside-outside algorithm）的复杂性与计算效率低下。本文提出了一种快速且准确的神经条件随机场句法分析器（neural CRF constituency parser）。其核心思想是：通过在GPU上直接进行大规模张量运算，对“内部算法”（inside algorithm）进行批量处理以实现损失函数的高效计算；同时，借助高效的反向传播机制，避免使用“外部算法”（outside algorithm）进行梯度计算，从而显著提升训练效率。此外，我们提出了一种简单而有效的两阶段解析方法——先进行括号生成（bracketing），再进行标签预测（labeling），进一步提升了整体解析效率。为提升解析性能，我们受到依存句法分析近期进展的启发，引入了一种基于边界表示（boundary representation）与双仿射注意力（biaffine attention）的新评分架构，并设计了一种有益的dropout策略。在Penn Treebank（PTB）、CTB5.1和CTB7三个标准数据集上的实验表明，我们的两阶段CRF解析器在不使用BERT和使用BERT两种设置下均达到了新的最先进（state-of-the-art）性能，且每秒可解析超过1000个句子。相关代码已开源，地址为：https://github.com/yzhangcs/crfpar。