进入20世纪后期以来,计算机和互联网得到了飞速的发展,信息无论是在数量上还是传播的速度上都呈现出指数级的增长。这就驱使人们如何使用更快捷的方法去获取互联网上的信息,因此越来越多的研究热点都集中在自然语言处理的工作上。同时,在经济全球化的今天,国际社会的安全问题也受到了各国的重视,互联网上关于恐怖袭击事件的报道也越来越多。若是可以合理利用自然语言处理的成果,对网络上该主题相关的信息进行抽取、统计、归纳,找出事件发生的某种规律,为打击恐怖主义做出一定的预警和参考。因此,本文选取了恐怖袭击事件的主题,具体研究了信息抽取中的时间短语的抽取。首先,简单介绍了本文的研究背景,引出本文的研究目的和意义。恐怖袭击事件日益增多,为了更好的为该领域学者或者政府机构提供相应的历史数据,对已有的信息进行时间短语的抽取,以便分析各个事件的时间关系,找出恐怖组织作案的时间习惯,研究数据具有极高的预警价值。其次在文献综述章节里,简单的给出了时间的定义,介绍了英文时间的理论,详细阐述了英文时间识别的相关研究问题,分析了几种识别方法的优点和缺点。然后介绍了国内时间抽取方面的研究现状。本章最后提及后文中使用的机器学习模型。接着本文确定了目标数据的获取方式,对2005年—2014年这10年间的恐怖袭击事件的新闻进行抓取,对于抓取后的语料进行了简单的清洗和标注,并且将数据进行了呈现。最后对抽取的时间短语结构的知识进行了相应的探究。统计了时间短语结构的内部和所在句子的句法特征,构建初始特征和复杂特征这两种模板,最后加入到抽取模型当中。通过具体的实验,证明复杂模板的性能优于初始模板。其中复杂模板F值为85.74%,而初始模板F值则为85.32%