事故灾难事件是公共突发事件的重点之一,对公共安全风险识别和应急处理均有重要影响。网络和自媒体的普及使得我们有可能在各类网络短文本中获得公共突发事件相关的有价值的信息。事件抽取在事故灾难事件信息挖掘和提取方面有着极其重要的作用,例如及时获取事态信息、建立结构化案例库等。由于文本数据特征决定了事件抽取方法的效果上限,将字粒度语义特征提升到词粒度或实体粒度可以使模型获取更高维、更丰富的语义信息。基于此,本文针对事故灾难事件相关网络短文本信息,从文本语义特征增强的角度对事件抽取任务展开了深入研究,研究内容包括以下两个方面:（1）基于命名实体识别任务反馈增强的事件抽取方法研究。为了使模型能够学习到数据中更高维度的语义特征,本文对事件抽取领域经典模型Bi LSTMCRF进行了改进,提出了一种基于命名实体识别任务反馈增强的事件抽取方法FB-Latiice-Bi LSTM-CRF。第一步,将Lattice机制融合双向长短期记忆网络Bi LSTM作为模型的共享层,获取句子中的词语语义特征;第二步,增加命名实体识别辅助任务联合学习和挖掘实体语义信息,同时将命名实体识别任务的输出反馈到输入端,提取其中实体对应的分词结果作为Lattice机制的外输入,以减少该机制自组词数量大的负荷,并进一步强化实体语义特征的提取。最后,用最大高斯似然估计方法最大化同方差不确定性,计算模型总损失,解决多任务联合学习产生的损失不平衡问题。实验结果表明,基于命名实体识别任务反馈增强的改进方法有效的提升了事件抽取效果。（2）基于知识图谱的文本预处理方法研究。通过改造模型结构可以增强模型对文本高维语义特征的学习能力,同时引发了结构要求高,泛化性较差的问题。为此,本文基于知识图谱技术,提出了一种能够增加文本语料的显式语义特征的文本预处理方法,易被模型学习。第一步,对事故灾难事件相关语料进行实体类型定义和实体提取,通过实体关系扩展使实体间建立了联系,并借助Neo4j图数据库构建目标事件“事故灾难”知识图谱;第二步,基于已建立的知识图谱,用滑动窗口扫描方法和实体链接技术对文本语料进行实体识别和分词;最后通过文本语料字粒度与实体及其属性的嵌入,融合得到包含实体属性和实体分词语义信息的文本嵌入结果。实验结果表明,该方法可广泛适用于各类事件抽取模型中,并明显提升模型效果。