突然事件的发生不仅会扰乱社会秩序,而且损坏人民群众生命财产,对社会造成严重危害的同时对公安维护社会稳定工作和保护人民财产安全提出了严峻考验。伴随社交媒体快速发展,互联网上突发事件信息数量也剧增。如何准确地从大量无结构事件信息中识别并抽取出突发事件信息,分析突发事件舆情趋势,历来受到公安部门重视。本文调研了国内外研究现状,深入分析了现有的突发事件抽取方法,针对微博文本中突发事件抽取和要素抽取与事件类型分类预测两个主要方面展开研究,并提出多分类突发事件抽取模型和数据加权优化事件类型分类方法,对于抽取突发事件信息,减少基层民警工作量具有积极辅助作用。全文主要研究工作如下:首先,文中结合现有突发事件抽取现状提出一种新的突发事件抽取模型,并据此抽取突发事件相关信息。现有突发事件抽取模型较多采用级联方式,弊端是事件信息利用不足,容易产生级联误差,同时语法、句法分析受限于未登录词和专家经验等导致抽取结果并不理想。文中通过对文本中词性特征、语义关系等进行挖掘,并结合谷歌公司新提出的词向量训练模型——BERT模型,采用多层长短期记忆网络LSTM结构抽取候选事件句特征,生成候选短语向量并通过多分类方式取代二分类方式对短语向量进行计算打分,按照词语得分确定事件触发词实现事件抽取,并在中文突发事件语料库上多次实验和微博数据集上测试表明该模型具有一定的有效性。其次,文中采用基于密度聚类方法对识别出的事件内容进行要素抽取并对突发事件类型进行分类预测。为保证抽取效率,通过基于规则匹配的方法抽取相关事件要素,而后进行数据清洗,对缺省事件要素进行填充补齐,形成突发事件数据集,对其进行数理统计分析与过滤,筛出无用数据和离群值,保证数据有效性,通过对数据进行归一化后降维处理生成特征数据,并对其加权优化处理后进行聚类分析,封装入机器学习算法模型,从而实现突发事件类型分类预测,并在微博数据集上进行多次实验证明该分类模型具有良好的效果。最后,对于突发事件抽取、要素抽取和事件分类预测进行对比分析和总结。实验分别在中文突发事件语料库和微博数据集上进行实验测试、对比分析和归纳总结,文中所提出和采用的方法在实验结果中均表现出较好效果,证明了文中实验方法具有有效性。