语义依存图分析以有向无环图的形式来表示句子的语义信息，常被用来帮助计算机理解语句的含义，在自然语言处理中属于十分重要的基础任务。基于转移的方法是语义依存图分析的主流方法之一。基于转移的方法通过在每一步局部选择最优的转移动作，可以方便地构造语义依存图，但因局部选择而导致的错误传播问题一直影响着系统的准确率。另外，转移系统复杂的转移过程也给批量化解码造成了困难，限制了系统的效率。在这篇文章中，我们针对基于转移的方法设计了一个简单有效的使用原子特征的模型，在训练阶段采用动态Oracle缓解错误传播问题，来提高模型的准确率，并在此模型上实现批量化训练和解码，来提高模型的效率。此外，我们也使用预训练语言模型BERT来增强我们的模型。在SemEval-2015-task18数据集上的实验表明我们的模型超过了所有基于转移方法，大幅度提高了转移方法的性能和效率，达到了与目前最先进模型相当的结果。