在人工智能界,常识知识获取一直是公认的核心难题。所谓常识,是指日常生活中人与人之间存在的共识。人们的观念不断改变,常识也在不断发展。常识知识在自然语言处理、计算机视觉等领域都有着广泛的应用,但常识具有隐含性、大规模性、无领域性等特性,并且常识的理解机制尚不明确,使得常识知识获取成为限制人工智能发展的瓶颈问题。目前,根据自动化程度可以将常识获取的方法分三类:手工获取能够得到隐式的常识,但耗费大量的人力和物力。仅依靠手工的方式来获取常识会导致效率低下,而且难以保证常识的完备性和可靠性。半自动获取结合了手工获取和自动获取,前提是有种子知识库的支持。但种子知识库的构建同样需要花费人力。自动获取可以大大提升常识获取的效率,但是很难获取到隐式的常识。总之,目前还没有一种公认较好的常识获取方法。事件的定义反映了事物的本质属性的总和,是事件的内涵。事件也是人类认识世界的知识单位,也是常识知识获取的处理单元。事件中包含了大量的信息,这些信息的背后蕴含着许多常识。近年来,许多学者在以事件为单位进行知识处理方面的工作时,缺少对事件内部特征、事件间的关系以及事件组成部分等系统的研究,并且对事件本质的内涵描述和获取还不够完善。本文主要研究内容包括以下三点:（1）FSTD的扩充。在实际研究中,我们发现FSTD（Framework of Semantic Taxonomy and Description,FSTD,语义分类和描述框架）已经不能更好地满足语义分析和常识获取的需求。为此,本文对自移事件框架进行扩充。首先基于How Net和Frame Net总结出更加完善的自移事件属性。然后使用K-means聚类算法处理自移事件的定义来构建自移事件属性库。最后将自移事件的属性与属性值以“属性:属性值”的形式补充至FSTD中对应的自移事件框架。（2）提出了一种基于自移事件属性的自移事件自动分类方法。事件分类是研究事件的基础。不同的事件具有不同的特征,语义相近的事件不仅具有相似的特征也含有相近的常识。因此,有必要对所有的自移事件进行分类。本文以自移事件属性在所有自移事件中的出现频率为依据,对自移事件进行自动分类,并提出了自移事件间的继承规则,将事件分为子事件和父事件。（3）定义反映自移事件内涵的语义约束规则,并验证规则的正确性。事件的语义并非单独存在,而是与其他事件的语义互相依存。自移事件的属性间存在一些语义约束,不同自移事件间也同样存在着一些事件关系类的语义约束。因此本文通过研究事件的语义约束来获取事件的相关常识,总结不同了类型的语义约束,并针对可能出现的错误进行了分析并给出了对应的检测方法。