政府和新闻媒体为确认事件真相、还原现实情况,需要获取亲历者对事件的直接描述和反馈,从而报告真实内容、采取相应措施。随着信息技术的发展及社交网络的普及,亲历者发现由线下转向线上,社交网络中亲历者发现的研究可极大地便利相关部门和新闻媒体接触亲历者并获得可靠的第一手信息。已有研究大多仅着眼单一事件类别,基于人工特征工程进行针对性的特征提取,采用统计机器学习技术开展文本分类工作。此类研究需要较多的人为工作、涉及较强的人工干预,针对性过强、泛化性不足。本文基于深度学习方法和注意力机制,设计可自动对多事件类别数据建模的亲历者发现模型,达到捕捉不同事件类别下用户不同语言描述模式的效果,减轻人为工作、提升亲历者发现性能并增强泛化性。论文具体工作如下:（1）针对语言描述特征自动提取问题,本文提出了基于循环神经网络和关键词提取的基本语义特征提取模型。模型包含两个部分:针对推文侧重于序列建模和深度特征提取能力,基于循环神经网络提取推文基本语义特征序列;针对事件类别侧重于提取弱序列特征即关键词序列,使用基于图的评分模型Text Rank提取事件类别关键词序列。（2）针对适用事件类别单一、泛化性弱的问题,本文设计了基于事件增强注意力机制的推文综合语义提取模型。模型包括两次注意力机制计算:针对事件类别关键词序列使用注意力机制得到表征不同关键词重要程度的权值,加权求和得到事件类别特征向量;随后将其与推文基本语义特征序列拼接形成事件增强嵌入,使用注意力机制得到表征推文内不同词在该事件类别下重要程度的权值,加权求和得到推文综合语义特征向量;最终使用该特征向量进行亲历者分类工作。综合语义特征提取模型和基本语义特征提取模型组合构成端到端的亲历者发现模型。该模型可对不同事件类别数据统一建模,涵盖且不限于已有研究的内容,实现了高效泛化的亲历者发现。（3）本文设计了基于Twitter API的高效爬虫软件获取社交网络数据,结合公开数据集构建了Twitter多事件类别数据集。基于该数据集,本文设计了针对现有研究、常用深度学习方法、本研究模型变体等多种对比实验,并从评价指标结果、注意力机制可视化、预处理粒度等角度综合评估。实验结果显示在单一事件类别和多事件类别数据上,本文模型均体现了更强的建模能力,说明了本研究良好的泛化性、深度学习方法在解决亲历者发现问题上的合理性和可行性、及注意力机制对处理多事件类别数据的有效性。（4）基于上述成果,本文实现了亲历者发现原型系统。系统涵盖了本文所有的工作内容,并针对不同需求和身份的用户设计,通过离线和在线两部分实现了数据集展示和研究成果可视化、输入数据集训练和微调模型、启动爬虫搜索关键词获取数据、加载预训练模型进行亲历者发现等多个功能。