事件共指消解是自然语言处理领域的一项关键技术。该任务是指在非结构化文本中找到对于现实世界中一些真实发生的事件的具体描述,这些描述被称为事件描述或事件句,并判断哪些事件描述是指向同一个事实的,即构成共指关系。找到这些共指事件描述对信息抽取、阅读理解、事件时序关系等任务都具有重要意义。近几年,深度学习的浪潮推动了自然语言处理的发展,在各项任务中都取得了巨大的进步。其优势在于相比较传统机器学习中高维且稀疏的特征,深度神经网络能够通过稠密向量很好地表示语义之间的相似度。本文提出了一种基于神经网络的事件共指消解模型,并结合共指事件的结构特点和自身属性,对模型进行改进,研究内容主要分为以下三个方面:(1)搭建了一种端到端的事件共指消解模型。该模型能够克服管道模型的错误传播问题,同时无需像联合学习模型一样构建大量特征,只需要利用常见的词向量和词性向量,并结合长短时记忆网络和注意力机制搭建神经网络模型,就能简单有效地研究事件共指消解任务。该模型在KBP语料上表现出很好的性能。(2)事件共指消解任务极具挑战性,主要原因有事件是构建篇章主题的重要内容,其语义信息丰富,并且事件描述数量有限,抽取困难。针对这些问题,本文提出了一种融合篇章表征的事件共指消解模型。该模型使用分层注意力机制构建整个文本内容,并利用序列化标注工具对内容分类,捕捉文本的语义核心,抽取正确的事件描述。经实验结果证明,我们提出的方法是正确且有效的。(3)在事件描述中单链占比很大,为了能够找到存在于指代链上的元素,并准确判断元素之间的共指关系,本文提出一种融入事件增强信息的共指消解模型。该模型通过事件的角色信息和事件的粗粒度类别信息过滤单链,并利用双仿射注意力机制计算描述对的共指可信度。最终在各项评测指标下验证了模型的有效性。