近年来,随着社会各领域资源需求的迅猛发展,让信息技术的发展变得如火如荼。信息技术的飞跃发展,导致大量无规律结构的信息以文本形式展现在各领域。过量无结构的文本信息没有对应的技术进行处理与利用,导致流失过多的知识与价值,所以信息抽取技术应运而生。信息抽取是利用一定的计算机技术,从文本、语音、图像、视频等数据中找到他们传达信息的结构和方式,进行自动抽取信息并将其结构化显现出来的过程,而事件抽取,则是信息抽取领域中将知识结构化展现在人们眼前最重要的技术和内容。信息抽取技术旨在从无结构,杂乱无章的原始数据中提取有价值的信息,而事件抽取是信息抽取和知识构建任务中最为重要的部分,能够将文本中的信息和知识以结构化方式和较为全面的角色诠释显现出来。事件抽取技术将特定的事件和事件实例从文本中提取出来,并将完整结构的事件存放入知识库中。本课题研究的主题能够缓解相关单位文本数据信息的爆炸,除此之外,还能发现更多尚未被挖掘的知识,深入利用自然世界中可提取的一切价值。本课题的主要研究内容是事件聚类的全过程,主要分为触发词识与论元分类两个模块,具体为事件抽取的过程中和与知识图谱链接的过程中涉及到的几个关键步骤。主要研究以下内容:（1）事件触发词检测归类与参数识别:事件抽取的整个过程中,事件触发词的识别占据着重要的位置。触发词是识别事件类型的重要角色,它的定位代表整个句子片段所包含的事件类别和事件个数。触发词不仅与识别事件类型息息相关,也深深影响到到后续论元的提取,关联整个事件架构的构建。本文研究通过扩展触发词和文本图卷积的操作,来提高识别文本中的触发词的精确度,增强事件识别与归类的效果。（2）事件论元角色分类抽取与结构化抽取研究:事件论元的抽取也是完善整个事件结构的必要步骤。论元抽取与识别就是从文本中找到各对应事件类型下相关的角色,将其变为标准的格式后进行填充。本文在分析与识别出了文本中的触发词和事件类型之后,通过句法依存分析与改进k-means聚类算法,来抽取文本片段中与触发词有联系,并且在事件实例中参与构成了重要作用的论元角色。事件的组成和结构完整度不仅与触发词识别的事件类型相关联,也与论元角色的抽取数量程度有关。与触发词相关的论元被多多抽取出来,能够完善整个事件实例的结构,让人类更清晰直观的实现对整个事件实例的可见度。本课题的实验结果分为两个模块显现,分别是通过图卷积提取事件触发词其识别效果的实验和通过分析句法依存与改进k-means算法来识别每个事件种类的论元构成的实验。实验结果表明,事件触发词抽取方面,在ACE语料库中,通过图卷积进行事件触发词识别的效果较为良好,在CEC语料库中,扩展触发词表再进行图卷积语义学习,能够收获更为良好的实验效果。论元识别方面,通过句法依存分析句子结构,再利用改进的k-means算法来识别论元,与使用改进前的k-means算法效果相比更为精确,在设备性能方面达到更为节省的利用率,各元素识别效果都能得到大大的提升。