作为信息抽取的重要组成成分,事件同指消解旨在寻找文本中不同的指称是否指向现实世界的同一个事件。近年来,多个事件相关语料的发布为事件相关研究提供了保障。但相比实体,事件指称组成较为复杂且在篇章中的分布性更广,因此事件同指消解更具挑战性。目前已有的相关研究大多偏向通过寻找语料适应性特征进行,对具体语料有一定的依赖性,此外跨篇章的事件同指消解研究还处于起步阶段。针对上述现状和问题,本文针对三个关键技术展开了研究:(1)针对传统的事件同指消解方法适应性弱的问题,通过抽取指称所在的原文,借助触发词、类型等通用的事件成分,构建了一个基于卷积神经网络的事件同指消解模型。为了验证该方法的有效性和通用性,使用相同设置的情况下,在两个公开语料库ACE2005、KBP2015中进行了实验,实验结果表明提出的模型能够较好的适应不同标注体系下的差异,且在ACE2005语料上达到了领先的水平。(2)针对事件同指消解中存在的实例分布不平衡、孤立指称间内在联系等问题,提出了多种解决方案,通过实验分析了影响事件同指消解性能的主要因素并验证了多种方案的有效性。(3)基于最新的KBP2017语料对跨篇章事件同指消解进行了初步探索。将跨篇章事件同指消解分解为篇章内事件指称链识别和跨篇章指称链同指消解两个模块,构建了完整的跨篇章事件同指消解平台。