辅助决策技术能有效降低公共安全事件带来的伤亡损失,公共安全事件数据是辅助决策技术的基础。然而,公共安全事件数据存在一些问题:一是数据形式多模态,直接应用比较困难;二是数据表述复杂。知识图谱技术通过以下手段解决上述问题:一是将表格、文本、图像等多模态数据形式转化为统一的结构化数据形式,并提供语义信息支持,方便数据应用;二是通过信息抽取等技术,简化公共安全事件信息,实现公共安全事件精简表达。因此,本文基于多模态公共安全事件数据,研究针对公共安全事件的实体抽取与关系抽取方法,并构建公共安全事件知识图谱,为公共安全事件辅助决策提供支撑。主要研究工作如下:（1）采用基于“抽取+拼接”策略的公共安全事件实体抽取方法。基于规则的实体抽取方法需要构建大量规则模板作为样板,抽取的事件实体具有很大冗余度。基于深度学习的实体抽取方法需要让模型学习实体特征,但是受公共安全事件描述语句长度较长的影响,模型难从语句中学习事件实体特征。本文将事件实体抽取问题分解成两个问题,先利用BiLSTM-Attention-CRF（Bi-directional Long Short Term Memory-Attention-Conditional Random Field）模型“抽取”事件元素,后采用模板匹配的方法将事件元素“拼接”成完整事件实体,从而实现获取精简事件实体的目的。实验证明该方法适用于抽取公共安全事件实体。（2）提出一种基于规则的关系抽取方法。现有的关系抽取方法一般要求实体在原始语料中显式存在,而本文抽取的事件实体是原始事件实体的重构形式,无法满足上述要求。针对该问题,本文提出一种基于规则的关系抽取方法,利用实体类型对和实体位置分布规律作为关系抽取规则,从实体抽取结果中获取实体间的关系。实验证明该方法适用于重构公共安全事件实体间的关系抽取。（3）构建公共安全事件知识图谱。为了解决公共安全事件数据存在的复杂、冗余、多模态问题,本文将结构化、文本、图像三种公共安全事件数据作为原始语料,利用实体抽取与关系抽取技术获取公共安全事件中的实体和关系,利用图数据库实现上述实体和关系的管理,从而构建公共安全事件知识图谱。