脚本事件预测是指给定一系列已经发生的事件,预测后续发生的事件。该任务对于许多自然语言理解应用至关重要,例如文本理解、意图识别和问答系统。脚本事件预测是事件抽取的下游任务,目前还存在数据集缺乏、事件表示不全面、信息融合不充分等问题。现有的方法尚不能很好地解决这些问题。本文以脚本事件预测为研究课题,主要研究内容如下:首先,构建了一个基于新浪新闻的中文数据集SinaNews。目前,脚本事件预测任务仅有一个基于纽约时报的英文数据集NYT,这极大地限制了国内外学者对该任务的研究。本文按照脚本事件预测任务的处理流程,基于新浪网的新闻语料构建了一个涵盖娱乐、经济和军事等各个板块的中文数据集SinaNews,该数据集和NYT英文数据集的规模相当,具有广泛的适用性。其次,研究了事件表示对脚本事件预测的支撑作用,提出了一种新的事件表示方法。在脚本事件预测任务中,事件用四元组（谓语,主语,宾语,介词宾语）的形式表示。现有方法把四元组中的词向量进行拼接作为整个事件的表示,导致事件表示过度依赖词向量而忽略了四元组中各个词之间的语义关联。本文提出了一种基于Transformer的事件表示方法,捕获事件内部各个元素间的语义关联从而得到更准确的事件表示。再次,提出了一种结合事件链和事理图谱的脚本事件预测方法（ECGNet）。事件链中的各个事件之间的时序信息和事理图谱中隐藏的事件演化信息对于脚本事件预测都是非常重要的,然而现有方法没有同时考虑时序信息和演化信息对后续预测的影响。本文提出了一种结合事件链和事理图谱的方法（ECGNet）,充分学习事件链中的时序信息和事理图谱中的演化信息,利用两种特征共同预测后续事件,提升了预测效果。最后,提出了一种动态融合多元信息的脚本事件预测方法（Gate-ECGNet）。Gate-ECGNet对ECGNet的事件表示方法和特征融合方法进行了改进。事件表示层不仅考虑了事件内部各个元素之间的语义关联,还融合了上下文事件动词之间的共现关系。此外,Gate-ECGNet模型设计了一种门控注意力机制来学习时序信息和演化信息对于不同样本的置信度,从而动态融合特征进行后续事件预测,进一步提升了预测效果。本文通过大量的实验对ECGNet和Gate-ECGNet模型进行了评估。实验结果表明,本文提出的脚本事件预测方法能够较好地融合多元信息进行事件预测,在中英文数据集上均优于现有的脚本事件预测方法,而Gate-ECGNet模型可以动态融合多元信息,因此其预测性能更胜一筹。