随着互联网技术的高速发展和大数据时代的来临,数据呈爆炸式增长,如何对这些数据进行智能分析和自动处理,高效地挖掘出潜在的有使用价值和社会竞争力的信息就显得愈发重要。信息抽取正是在这种背景下应运而生。其中,事件抽取是信息抽取领域中最具挑战性的基本任务之一。目前,事件抽取方法一般是基于监督机器学习的方法,然而基于机器监督学习的方法往往需要大量的标注样本,人工标注这些样本耗时耗力。同时,事件类别的多样性导致事件语料的稀疏和不平衡。这些问题在各种语言背景下的事件抽取任务中都不同程度的存在。本文主要针对基于英文和中文的双语事件抽取方法展开深入研究,主要研究内容包括以下三个方面:首先,本文提出了一种基于双语特征空间叠加的事件抽取方法。其核心思想是使英文和中文事件有效结合,然后通过特征空间叠加的方式获取双语特征文本,实现对中英文的事件抽取。该方法能够扩大单语事件抽取的训练集规模和信息量,从一定程度上避免因语料稀疏所带来的不利影响。实验结果表明,该方法相比于传统的单语事件抽取,能够获得更好的性能。其次,本文提出了一种基于整数线性规划的跨语言事件抽取方法。其核心思想是利用丰富和完善的英文事件的研究资源实现中文事件抽取,并通过整数线性规划的联合学习模型对事件识别和分类的结果进行优化和统一。实验结果表明,当我们使用英文源语言及其翻译的叠加语料进行训练时,能够获取较好的中文事件抽取的效果。最后,本文提出了一种基于主动学习的双语事件抽取方法。其核心思想是使用英文事件训练分类器,通过不确定性的选择策略从中文的未标注样本中挑选出一部分样本,结合自动标注的结果进行选择性的人工标注,将标注后的样本加入到训练集中,最后使用扩展后的训练集构建最终模型,实现事件抽取。实验结果表明,该方法可以有效的降低人工标注样本的消耗,丰富训练样本的信息量,同时能够获得较好的事件抽取效果。