随着城市工业化、现代化进程的持续加快,城市规模扩张,工程建设量急剧增加造成事故频发,对消防救援队伍的救援响应速度、救援资源调度分配、现场救援作业、科学施救、重点单位预案录入等综合能力提出更高要求,越来越多的信息化手段全面融合消防业务管理和实战应用,为适应城市消防指挥中心的接处警工作要求,针对当前大多数接警系统信息录入、力量调配效率偏低等问题。本文提出一种基于ALBERT的预训练模型在接处警系统中对警情要素提取,再自行构建的消防警情语料库中进行实验,构建了ALBERT-Bi LSTM-CRF的消防警情文本实体识别模型,设计了基于字根的实体识别评分机制,进一步提高消防警情要素实体的识别效果。其F1值为81.660,由于该领域需要对语音信息转文本后快速提取,验证了该模型在同时保证时间开销和识别准确率的条件下可以提高接警录入效率、辅助决策。本课题的目标是将自然语言处理技术运用于消防接处警系统,尽可能提高接处警效率,并且尝试去构建消防警情要素知识图谱。基于此目标,本课题对以下内容进行探索研究:（1）首先对消防接处警的现状进行介绍,并对自然语言处理技术在消防领域的研究现状进行调研,再介绍了将自然语言处理技术运用于消防接处警系统的意义。紧接着对相关理论和技术进行介绍。（2）关于如何构建消防警情文本的数据集,以及对数据的预处理工作,通过数据增强等手段使得能够得到更好的数据集。（3）通过对比ALBERT-BiLSTM-CRF模型与BERT-BiLSTM-CRF、BiLSTM-CRF模型在命名实体识别中的性能差异,验证了基于ALBERT模型在的消防警情文本实体识别任务中的可行性,并引入了基于字根的评分机制提升模型的警情要素实体识别效果。（4）初步设计并实现了消防要素提取模块,通过模拟语音转警情文本作为系统输入,验证了基于ALBERT-Bi LSTM-CRF模型的消防警情文本实体识别模块对消防警情信息文本实体识别的情况,并将警情的地理位置在GIS地图上进行标注。并通过消防警情要素实体识别对数据集中的数据进去提取,初步构建了消防警情要素部分知识图谱。