近些年,环境污染事件的发生率逐年提高,迫切需要环境污染事件的快速监测,而传统的环境污染监控手段仍然存在监测技术配套性差和地区发展不平衡的问题,无法做到全区域、全时段、全种类的覆盖。网络新闻文本因具有广泛性、真实性和新鲜性的特点,往往可以弥补物理设备监测的不足。但是,环境污染事件往往存在“多米诺效应”,其新闻文本中易出现诸多干扰信息,如多个时间、地点和人物的混合表达,使得网络新闻文本蕴含环境污染事件信息抽取存在诸多挑战。基于此,本文主要研究内容及成果如下:（1）环境污染事件主题词库的构建。根据国家标准《环境污染类别代码》确定环境污染事件类别和各类别初始主题词库,使用同义词林、知网等词典以及各种大规模训练词向量对其进行扩展,最后形成环境污染事件主题词库。（2）环境污染事件类别语料快速标注。考虑到大量网络新闻文本进行标注耗费人力物力,提出一种聚类方法-LDA模型生成聚类簇,然后手动映射到事件类别实现环境污染事件类别的快速标注,最后人工评价事件类别标注的准确率来验证该方法的有效性。（3）环境污染事件类别自动检测。采用TF-IDF向量对文档进行全局特征表示,计算得到文档中词汇在各环境污染事件主题的词频构建文档主题特征向量。综合文档全局特征向量和主题分布特征向量,构建联合主题特征向量作为监督分类模型的输入,实现环境污染事件类别检测。（4）环境污染事件信息抽取。新闻文本中存在较多干扰信息,综合文本中词语的词性、句法特性等改进输入特征向量,充分表现文本的事件表达特点,引入Bi-LSTM+CRF模型进行环境污染事件信息抽取。（5）环境污染事件抽取结果数据统计分析。进行海量网络文本蕴含环境污染事件检测与信息抽取,按照类别、时间、空间对事件抽取结果进行分布特征分析,进一步说明提出方法具有实际使用价值。