随着信息技术的飞快发展,网络逐步成为一个巨大的数据源,其中包含了众多有价值的信息。这些信息很多是关于已经或正在发生的各类事件的,例如普遍存在于各大网站上的国家政府要人的活动,公司的新闻动态等等。事件抽取作为从各式文本中自动获取所需信息的一种手段,一般包括实体及对其关系的抽取。它主要分为两个步骤：(1)事件类型识别,确定事件的类别以及子类别;(2)事件元素识别,标注出当前类别的事件所包含的实体参与者及其角色。本文致力于事件类型识别技术研究,目标是在保障识别结果准确率的前提下,能够面向更大规模、更高复杂度的数据,能够充分挖掘文本中有价值信息,最终丰富事件抽取的内容。而当前事件类型识别系统所识别的范围并不符合事件抽取的实际需求,视角要么基于语句层级,要么基于篇章层级,存在过大或过小的问题；另一方面,由于多数抽取系统都聚焦于事件元素和事件触发词,对事件相关性识别基于文本全部词语的判定；待识别语句的高冗余度性也给机器带来了严重负担,其引入的众多反例也使得正反例极度失衡。本文针对现有事件类型识别范围不够精准,待识别语句冗余度高,类型识别可靠性差等问题展开研究,主要工作和贡献概括如下：1.提出一种基于分割技术的文本块划分方法,能够把待抽取的文本范围规范至语句和篇章之间的文本块大小,使得每个文本块中包含若干同话题的事件,为下一步的语句过滤做好基础。2.提出一种语句过滤方法,基于划分好的文本块对非事件、虚假事件语句进行过滤,同时甄别语句包含的事件事实信息的真假性。此方法能够有效解决传统事件类型识别中正反例失衡的问题,实现较高的分准率,增强了事件类型识别的适应能力。