近年来,随着互联网技术的蓬勃发展以及文本信息的爆炸式增长,“信息过载”问题愈发严重。如何快速准确地从大量无结构的信息中抽取出用户感兴趣的信息成为当前自然语言处理领域的热点问题。因此,信息抽取技术受到的关注逐年增加。作为信息抽取中的重要子任务,事件抽取旨在从自然语言文本中抽取出指定的事件信息,并以结构化的形式存入数据库中。事件抽取任务分为两个子任务:事件检测和事件论元抽取,本课题主要聚焦于第一个子任务。考虑到事件检测仍然面临下面的挑战:a)同一种事件类型可以由不同的触发词来触发,这对应于同种事件类型下的稀有触发词问题;b)同一个触发词可以触发不同的事件类型,这对应于相同触发词的事件类型歧义性问题。因此,本文基于ACE 2005语料提出以下两种研究方法:（1）基于标签感知的双重自注意力网络的事件检测研究。从表示学习的角度看,触发词与事件类型标签在高维语义空间上的分布是一致的,说明标签信息可以捕获类型特定的上下文,这对稀有触发词的检测是有用的。此外,任何单词之间的直接关联都可能提供有用的线索。然而,前人工作或者在知识库的帮助下引入额外的事件实例或者设计复杂的推理规则来挖掘跨实体\事件\句子信息来缓解数据的稀疏性问题,但它们忽略了标签所蕴含的语义信息且很难覆盖所有的语义规律。因此,本文提出利用标签空间的语义信息显式地增强了单词空间中的信息表示,进而在一定程度上简单高效地解决稀有触发词问题。（2）基于分层主题驱动的自注意力机制的事件检测研究。先前的工作倾向于使用更广泛的上下文来为消歧提供有用的线索。它们可以分为两类:1)基于特征的方法;2)基于表示的方法。前者通过设计复杂的推理规则来捕获跨句子线索,这不仅需要精心设计丰富的特征,而且难以涵盖所有语义规则;后者通过无监督或有监督的方法获得全局文档表示,尽管这确实可以为触发词带来有价值的消歧依据,但是它也可能会引入一些噪音信息,从而加剧词的歧义性甚至干扰检测。因此,本文提出利用神经变分推理主题模型同时得到通用的全局文档信息和特定的触发词语义线索进而减弱触发词的歧义性。在ACE 2005英文数据集上,通过与前人方法的实验结果对比,证明了本文方法的有效性。