事件同指消解任务旨在判断多个事件实例是否指向现实世界中同一个具体事件,并将指向同一个事件的事件实例链接成同指链。根据事件实例的来源,事件同指消解可分为文档级任务和跨文档任务。本文从中文、英文和跨语言三方面展开文档级事件同指消解任务的研究,主要内容有:（一）基于结构化表示的事件同指消解方法针对事件句表述复杂存在一词多义、多种指代现象,本文提出了基于结构化表示的事件同指消解方法。首先,通过事件五元组构建事件句结构化特征,再编码事件句其他信息及其基础特征;然后挖掘与过滤事件句和事件对之间的关键信息;最后结合事件对特征判断事件实例间是否具有同指关系。与基准模型相比,本文提出的方法在ACE2005中文语料库上性能平均提高了4.68%。（二）基于触发词语义增强的事件同指消解方法针对标注语料库中事件触发词稀疏的问题,本文提出了基于触发词语义增强的事件同指消解方法。首先,引入面向触发词的掩盖策略来预训练基于BERT的编码器,并在大型未标记数据集上对其微调,挖掘目标触发词语义;然后,结合事件语义和交互信息进行事件同指消解。与基准模型相比,本文提出的方法在ACE2005、KBP2016和KBP2017英文语料库上性能分别提升了6.87%、10.745%、7.46%。（三）基于跨语言数据增强的事件同指消解方法针对神经网络难以在小语料库上学习到充足知识的遗憾,本文提出了基于跨语言数据增强的事件同指消解方法。首先,通过翻译生成目标语言文本的方法,扩充目标语言量;然后,利用依存句法分析方法对具体事件实例的相关信息进行识别,通过跨语言预训练模型获取跨语言层面的信息;最后,为避免模型过拟合某种语言的语法,本文采用数据增强策略判别事件实例间是否同指。与基准模型相比,本文提出的方法在ACE2005中英文语料库上性能分别提升了2.52%、0.69%。本文围绕文档内事件同指消解任务展开研究,并针对任务中存在的部分问题提出相应的解决方法,提高任务性能,为事件同指消解的进一步研究提供了参考。