随着信息社会的进一步发展,越来越多的行业采用复杂事件处理技术来对海量的事件流进行实时的监测与分析。目前在复杂事件处理领域已经有了很多研究成果,先前的研究主要集中在事件处理语言、事件过滤、事件监测等相关技术。而当前的复杂事件处理系统往往要求在实时约束条件下并行处理数百个甚至数千个由用户定义的查询。在多复杂事件处理的优化问题上,研究人员往往基于经典的复杂事件监测模型的基础进行上层的多查询的优化。例如在多复杂事件处理优化问题中,一种比较简单的思路是利用公共子查询来实现查询中局部匹配的共享,从而减少冗余计算。但由于底层使用的还是基于有限状态自动机（NFA）的监测模型或者树型的监测模型,匹配的过程中依旧会产生大量的且重叠的局部匹配,监测模型需要维护大量的重复匹配状态,导致局部匹配冗余计算的问题依旧存在。本文在NFA与树型监测模型的基础上,分别了提出了基于复杂事件实例覆盖与基于共享查询树的多复杂事件处理方法。在基于复杂事件实例覆盖的多复杂事件处理方法中,通过复杂事件实例覆盖的概念,为局部匹配事件构建关联关系,基于此关系来减少局部匹配的冗余产生和冗余复制。而在基于共享查询树的多复杂事件处理方法中,首先利用事件流统计信息对简单事件进行选择度的计算,依据选择度的大小进行查询重构,并通过正向、反向查询节点来确保查询重构后的语义一致性。通过公共前缀合并进行共享查询树的构建,使用成本模型对公共查询树的构建进行指导,并且利用公共查询树的特点设计了高效的多复杂事件匹配算法。最后,在三种事件流数据集上进行了全面的实验来对本文提出的方法进行性能分析。实验表明,基于复杂事件实例覆盖和基于共享查询树的多复杂事件处理方法比传统的复杂事件处理方法在性能上有显著的提高。