事件推理研究是通过一系列的事件上下文序列来推断后续可能发生的事件,是事件提取与分析方向的研究热点之一。本文的研究对象是具有某种逻辑关系的事件集合,研究目标是根据事件之间逻辑关系的先验信息从候选事件中选择后续最有可能发生的事件。新闻是信息传播的重要载体,其中包含有大量的客观真实事件,从新闻文本中抽取事件并进行推理分析有助于快速准确地从中获取相关事件之间的发展脉络和关联信息。为此,本文提出了一种面向新闻文本的事件推理方法,该方法通过对大规模的新闻文本进行事件链抽取及聚类,形成具有相似主题与情景的事件链簇,然后通过构建基于事件演化关系的事件图谱完成事件推理任务。本文的主要工作研究如下:（1）针对传统的叙事事件研究存在的事件之间关系单一的问题,本文提出了融合事件因果关系的事件链抽取方法,该方法通过显式的因果连接规则从文本中识别因果事件语句对,再基于依存句法分析、词性标记和指代消解等自然语言处理技术识别事件组成元素。将因果事件对作为共同主人公事件链的补充信息,丰富了事件之间的连接关系,是后续构建多关系的事件演化图谱的基础工作。（2）针对无监督的事件抽取方式噪声干扰较大且未能充分利用事件序列之间的关联性等问题,本文提出了一种基于叙事事件链聚类的方法来处理叙事事件,该方法通过的不同事件链表示形式对大规模事件链进行聚类,从而得到有相似情景和主题的事件链簇,以此作为事件推理研究的基础。后续实验表明该方法能有效提升事件推理任务的准确率。（3）针对现有的事件特征学习方法未能充分挖掘事件序列中不同事件对下游事件存在差异性影响的问题,本文提出了一种融合多头注意力机制的门控图神经网络模型（GGNN-MHA）,该模型充分考虑了事件序列中各个事件对于待预测事件的影响以及事件之间的演化特征,相对于传统的基于统计概率模型和循环神经网络的事件特征学习模型,这种基于多头注意力机制的图神经网络模型在事件图式学习中有更好的效果。