事件可信度是指面向特定事件源的事件发生的可信程度。目前事件可信度识别缺乏在生语料上的研究,并且仅考虑事件在默认源下的事件可信度。对此,本文进行句子级端到端事件可信度识别的研究,识别生文本中的事件、事件源以及对应的事件可信度,更具有现实意义。首先,事件可信度的已有研究大多数依赖于标注信息,没有考虑到事件可信度识别在生语料上的性能,同时也忽略了事件源对事件可信度的影响。针对这些问题,本文提出基于混合模型的方法进行端到端事件可信度识别。该方法将事件、事件源、线索词等信息和相关依存路径信息进行融合,利用混合模型BiLSTM+GCN从端到端方法识别事件可信度。实验证明该方法优于基准系统,在FactBank语料库上的Micro-F1和 Macro-F1 分别提升了 1.79%和 8.67%。其次,由于基于混合模型的方法流程复杂耗时且级联误差严重。针对这些问题,本文提出了基于GCN的联合模型的方法,旨在简化流程的同时,加强事件、事件源和事件可信度识别之间的联系。同时针对事件一词多义的问题,本文提出使用BERT对句子进行编码,并辅以语言学特征（词性、依存关系、词原形）来加强单词的语义表示。本文使用GCN捕获事件的句法和语义特征,并融入事件和事件源信息进行事件可信度识别。实验证明该方法优于基准系统,在FactBank语料库上的Micro-F1和Macro-F1 分别提升 2.31%和 1.44%。最后,英文数据存在表述不直接导致模型难以正确识别事件可信度的问题。针对这类问题,本文提出使用基于跨语言信息提高事件可信度模型的性能。为了探究跨语言信息对事件可信度的影响,本文使用基于跨语言词向量、跨语言数据增强、跨语言特征的不同方法进行端到端事件可信度识别。实验结果证明,跨语言信息能够有效提升模型性能,其中基于跨语言特征的方法最为有效,与基准模型相比,在FactBank语料库上的Micro-F1和Macro-F1分别提升了 4.11%和8.32%。本文针对句子级端到端事件可信度识别研究中存在的问题,提出对应的解决方法,提高模型性能,有助于端到端事件可信度识别的进一步研究。