恐怖主义已然对世界和平和发展构成严重威胁,随着互联网技术的发展,网络成为涉恐信息传播的重要途经。从隐蔽性高、交互性强、信息规模庞大、数据类型多样的网络信息中及早发现涉恐信息的难度不断增加。近些年来深度学习技术在文本挖掘中表现突出,因此利用深度学习方法开展涉恐新闻文本中的信息辩伪和抽取,从大量新闻文本中挖掘涉恐信息,可最大可能地减少情报失察,提高涉恐网络信息的分析和预警能力。本文将基于深度学习技术对涉恐新闻开展事件类型识别和论元抽取任务,主要研究内容有以下两点:1.针对文本类型识别中局部文本块特征提取不完整的问题,提出基于组合卷积神经网络的涉恐事件类型识别模型。构建新闻数据集专有的分类词汇表,结合Word2vec预训练词向量进行文本特征构建,对经典卷积神经网络中的卷积层和池化层进行改进,通过组合卷积层提取更加真实完善的局部文本特征。在全球恐怖主义数据库中的对照实验结果表明,Word2vec+组合CNN模型在事件类型识别任务中效果更优,相比于传统的机器学习方法和经典卷积神经网络方法有更高的准确率和召回率。2.针对涉恐网络信息语义较为复杂、论元识别难度大以及传统机器学习算法对涉恐新闻事件论元抽取准确率低的问题,提出基于BERT+Bi LSTM+CRF的涉恐事件论元抽取模型。其中BERT预训练模型的架构是带有多层注意力机制的编码结构,主要任务是生成文本对应的上下文语义表示。双向长短时记忆网络（Bi LSTM）实现对句子级特征的抽取,同时利用条件随机场（CRF）对输出标记进行相应约束从而获取标记最高的标注方案。本研究利用BIO标注方案对输入文本进行标注,通过在全球恐怖主义数据库中的对照实验结果表明,该模型的召回率高达90%以上,能够实现涉恐新闻事件论元抽取。