近年来,随着信息技术的不断发展,互联网上的各种信息越来越多。当我们搜索某一事件时,往往会淹没在海量相关的新闻文本中,无法从中直接获取有效信息从而把握事件的主要发展脉络。如果想快速、全面的了解该事件,就需要从海量新闻文本中提取出事件相关的信息,然后利用这些信息构建事件的发展过程,并推理事件可能的发展趋势。因此,如何从新闻文本中抽取事件信息,刻画事件的演化过程,并推理事件未来可能的发展情况,已经成为自然语言处理领域的一个热点问题,同时也是一个具有很多现实应用场景的问题。本文针对上述问题中的两个关键任务:信息抽取和事件推理开展研究,完成了以下工作:首先,近年来新兴的故事线生成方法是描述事件演化过程中的一种有效方法。与时间线生成等方法相比,故事线可以捕捉事件的主体结构,但是目前的研究中大多是用从新闻文本中抽取的摘要作为故事线的节点,这种形式的故事线可读性较差,并且对于地点信息的抽取不够准确。本文提出一种基于知识图谱的故事线构建方法,以事件的三元组作为故事线的节点,相对于传统的摘要故事线,以三元组形式作为节点可读性更强,而且在信息抽取过程中会将地点实体抽取出来,用其来指导局部故事线的构建,准确度更高。同时,随着各种预训练语言模型的提出,传统静态词向量的一些劣势可以被改进,例如一词多义的问题。为了获得带有语义信息的动态词向量,本文在文本预处理阶段采用了预训练模型BERT用于生成更好的词向量。其次,在事件推理模型中,为了得到更好的事件表示,本文提出了基于自注意力机制的事件表征层,这样不仅能够得到该事件本身的表征,还能引入其他事件片段的表征,两者结合使得模型可以捕捉更多的有效事件信息。最后,本文以台风事件为背景,收集了大量相关事件新闻,构建事件数据库,并对本文提出的故事线生成模型和基于事理图谱的事件推理模型进行实验验证。实验结果表明了所提模型和方法的有效性。综上,本文基于深度学习、事理图谱等方法构建了一个文本事件分析的完整的流程和事件分析方法,可以有效缓解网络信息过载等问题,同时还可以应用于各种事件信息挖掘任务中。