传统的事理图谱大多关注事件的转移类型和事件属性等具体事件信息,而忽视了事理层面本身的演化规律和逻辑关系,为了弥补这一不足,许多学者在事件相关的工作中提出了事件泛化的概念。现阶段语义网络技术的发展使得事件关系相关任务的效果有了大幅度提升,也使得通过文本去挖掘事件间的潜在的事理规律和逻辑联系成为了可能。本文从事件的无监督泛化入手,对抽象事件网络进行了探索和研究,具体内容包括无监督的事件泛化、抽象事件的事件网络的构建与基于以上工作的未来事件预测。探寻事件间的逻辑关系的一种做法是事件泛化,高准确率的事件泛化是后续任务应用的基础。本文针对无监督的事件泛化方向进行了探索,基于语义网络中的显式语义关系,通过强约束函数约束事件论元在泛化过程中的损失。为了保证泛化后的抽象事件对依然保持原有的事件关系类型,本文进一步的通过预训练模型来计算抽象事件对之间的因果强度用以筛选泛化后失去意义的抽象事件对。最后本文在中英文两个因果事件数据集上进行了实验,得到了大量高质量的抽象事件。基于上述得到的事件,本文探索了基于层次化聚类的事件网络,通过聚类初始化来减少构建复杂度,构建一个稠密的事件网络。本文进一步的通过知识融合方式将抽象事件与事件网络相融合,旨在图谱中融入更多的泛化信息。在语义网络数据集上的实验表明,知识融合模型可以有效地将抽象事件与层次化事件网络相融合。事理知识的一个重要的应用方向是事件预测,本文探索了基于图模式的事件预测算法,利用簇质心匹配的方式预测可能会发生的事件。根据实验结果表明,相较于其他的不需要训练的预测算法,基于质心匹配的事件预测算法取得了较大的提升;相较于不包含抽象事件节点的事件网络,融合抽象信息后的事件网络对于下游任务具有更好的支持。