作为信息抽取的重要组成部分,事件抽取旨在从大量的非结构化的自然语言文本中提取事件;事件时序关系识别则为事件抽取的下游任务,它致力于识别提取出来的事件之间的时序关系,挖掘事件之间的事理逻辑。事件包含事件触发词与事件要素两部分,触发词标识了事件的发生与类型,要素则为事件的主要参与者,通用的事件抽取方法一般首先识别事件的触发词,然后识别特定于各个事件的要素。而通用的事件时序关系识别方法一般只考虑事件的触发词,识别文本中两个触发词之间的时序关系。在事件抽取任务上,本文针对现有的方法对句子信息编码不充分的问题,提出了一种层次蒸馏网络（Hierarchical Distillation Network,HDN）模型来获取语义丰富的句子表示,再分别通过序列标注和成对分类的手段来预测句子中的事件。具体地说,HDN融合了一个循环神经网络（Recurrent Neural Network,RNN）模块用于提取句子的序列信息,若干个图卷积神经网络（Graph Convolutional Network,GCN）模块用于提取句子的多阶句法信息,同时还基于双向注意力机制设计了一个蒸馏模块来减少层级编码之间的信息冗余。在实验阶段,本文分别在两个常用事件抽取数据集:ACE 2005和MLEE上测试了模型的性能,实验结果表明,提出的模型较之前最好的模型在事件抽取的结果上均获得了显著提升。在事件的时序关系抽取任务上,本文针对现有方法存在的（1）事件对的特征构造方式单一（2）整数线性规划（Integer Linear Programming,ILP）与神经网络的训练过程割裂等问题,提出了一种逻辑驱动的深度对比网络（Logic-driven Deep Comparison Network,LDCN）模型来进行时序关系的识别。LDCN不仅使用了表征能力强的HDN作为句子编码器,还分别从可交换特征和不可交换特征的角度来增强事件对之间的特征表示,最后引入了可微的逻辑驱动训练框架,使得模型在训练过程中可以充分考虑时序关系之间的逻辑一致性。在实验阶段,本文分别在两个常用的事件时序识别数据集:Time BankDense和MATRES上测试了模型的性能,实验结果表明,提出的模型较之前最好的模型在时序关系抽取的结果上均获得了显著提升。