跨语言模型迁移已成为在缺乏标注语料库（如句法树库）的低资源语言中构建依存句法分析器的一种有前景的方法。该方法面临两大主要挑战：其一，词汇特征在不同语言间难以直接迁移；其二，目标语言特有的句法结构难以有效恢复。为应对上述挑战，本文提出一种新颖的多源迁移句法分析表示学习框架。该框架可直接利用完整的词汇特征实现多源迁移分析。在 Google 通用依存树库（v2.0）上的实验结果表明，我们提出的最优模型在平均带标签依存弧准确率（Labeled Attachment Score）上相比去词汇化（delexicalized）的多源迁移模型实现了 6.53% 的绝对提升，显著优于近期提出的最先进迁移系统。