事件是世界的一种重要客观信息。随着信息化时代数据爆发式增长,如何在海量文本信息中自动挖掘并理解关键事件与知识等结构化信息对人工智能技术发展至关重要。开放域事件作为不限定事件类别的文本对象,相比于特定域事件来说,拥有结构形式更简单、信息特征更通用等特点。开放域事件的表示学习,对事件相似度评估、舆情归因和脚本事件预测等任务具有重要基础性作用。目前尚未有针对中文开放域事件的表示学习研究,相应地缺失中文开放域事件抽取算法以及表示学习性能评测集。对事件表示学习建模方面,除了事件本身结构与场景语义属性,事件外部的时序与关联特征均对提升事件表示的表征能力与在下游任务推理能力具有重要帮助。针对以上问题,本文从开放域事件抽取、捕捉事件内在语义属性与捕捉事件外部关联信息三个方面展开研究工作,提出了中文领域的开放域事件表示学习方法。本文首先提出一种基于语言特征规则的开放域事件抽取算法。算法实现了高效大规模的事件三元组抽取,避免了过程繁琐与成本高昂的人力标注流程,为后续算法研究提供必要数据基础。为更好捕捉事件本身的属性表征,本文提出一种预训练-微调流水线架构学习算法,在现有研究基础上引入事件上下文信息。使得事件表示单元同时具备捕捉事件间语义、事件内结构与事件外场景信息的能力,加强事件表示表征能力。在对事件表示表征能力评估中,引入上下文信息的事件表示学习算法在困难事件分辨任务的准确率与事件相似度等级任务的斯皮尔曼相关系数评测指标均取得优秀性能表现。相比主流基线模型大幅提升了事件嵌入向量的表征性能。为更好捕捉事件外部时序与关联信息,本文提出一种基于事件图的图神经网络事件表示学习算法。该算法首先基于时序事件链与事件共现关联构建全局语料开放域事件网络图,再通过下文事件预测自监督学习算法更新事件表示结构参数,加强事件表示在下游任务中推理能力。在对事件表示推理能力评估中,基于图神经网络的事件表示学习方法在候选事件填空任务中准确率相比最好基线模型提升5%。显著提升了事件表示在下游任务的推理性能。