现代社会中出现的各种突发事件通常具有规模大、复杂度高等特征,各个政府需要设置合理的机构并采取相应的具体应对措施以应对突发事件。因此,各个省都制定了多种类型且精准的应急预案体系。对一个非常规突发事件的应急预案文本进行分析,快速运用应急处置信息工作的前提首先是要完成对参与应急的相关组织机构及其之间的关系进行准确的抽取。目前,国内外针对命名实体识别以及关系抽取研究方法主要有基于规则,统计机器学习和深度学习的方法,对诸多领域的识别研究已较为成熟,并且取得了较好的效果,但对中文应急预案文本方面的研究较少。本文对中文应急预案的应急组织机构识别与关系抽取进行了研究。本文主要工作包括以下几个方面:1.获取数据。本文利用网络爬虫爬取全国各级政府网上的应急预案文本,构建了一个大规模的应急预案文本数据集,为下一步工作打下了基础。2.在应急组织机构的识别任务中,首先学习现有的基于条件随机场(Conditional Random Field,CRF)的方法进行应急组织机构识别,发现基于CRF的方法无法充分的利用组织机构实体的周围信息,在复杂的应急组织机构名上识别的效果不理想。基于此,设计了基于自注意力的双向门递归单元神经网络(Bidirectional-Gated Recurrent Unit-Self-Attention-CRF,BiGRU-Att-CRF)模型对应急组织机构进行识别。通过对比实验结果分析,在应急组织机构的识别任务中,基于BiGRU-Att-CRF的方法在B、M、O标签上的F1值分别达到了 86%、86.9%、93.5%。3.在应急组织机构关系抽取任务中,本文引入以Transformers为主要框架的双向编码表征模型(Bidirectional Encoder Representation from Transformers,BERT)设计了基于注意力机制(Attention,Att)的双向长短时记忆神经网络(Bidirectional Long Short-Term Memory Networks,BiLSTM)应急组织机构关系抽取方法(BERT-BiLSTM-Att),该方法在词向量训练阶段采用BERT预训练语言模型,提升了词向量的表征能力,使用注意力机制能够为模型分配合理的注意力权重。通过与多种模型性能对比,该方法在语义信息抽取上的效果最好,在应急组织关系抽取上的召回率和F1值分别达到了 75.6%,73.8%。