台风、暴雨等气象灾害给民众的生产生活带来了诸多不良影响,然而现有气象灾情收集工作存在人工成本高且覆盖度不足的问题。如果能从微博及新闻数据中挖掘灾情相关信息并结构化其事件表述,则可以提供实时、广覆盖的灾情监控,对灾情分析提供数据支持。为此本文基于微博短文本构建气象灾害领域事件抽取数据集,在此基础上分两步完成事件抽取。首先基于微博短文本完成事件检测确定事件触发词及事件句类型,然后基于事件触发词进行事件论元角色的抽取,确定事件组成要素。此前的中文事件检测方法主要依赖序列建模并以词典增强形式解决触发词歧义性,忽视了触发词的稀疏性特点和句中其他实体的潜在消歧作用。此外,现有的中文论元角色分类方法以阅读理解和片段建模解决论元角色重叠性问题,但对语法知识关注不足,且触发词语义融入方式较为单一。为此本文分别研究基于实体感知与指针解码的事件检测方法和融合语义及语法特征的论元角色分类方法。本文先研究基于实体感知增强及指针解码的中文事件检测方法。该方法通过挖掘触发词周围实体的语义信息构建可插拔式的实体感知增强编码,以解决触发词的歧义性问题。随后基于首尾指针学习触发词的边界表征,并通过区间感知层进行实体边界信息的深层交互,从而将事件检测任务转化为词的首尾区间检测任务,提升触发词识别的精度。在气象灾害短文本数据集上的结果显示,本文提出的模型相较于基准模型取得了更优的结果。在F1评价指标上,事件检测性能提升了1.1%。在中文事件论元角色分类任务上,本文提出了融合语义及语法特征的指针式论元角色抽取方法。该方法通过多头自注意力机制与触发词层归一化构建语义编码模块用以增强文本语义感知。此外,为了解决句法信息的粒度不适配问题,该方法基于词性标签进行句法信息学习,并结合图卷积模块完成语法特征提取。实验结果表明,本文提出的模型相比基准模型有明显的指标提升。在气象灾害短文本数据集上论元抽取及角色分类的F1指标分别提升了1.4%及1.2%。