计算机与信息技术的发展将人类社会带入到一个深度信息化的时代,有人说,这是一个“信息虽发达,知识却贫乏的时代”。信息抽取作为NLP领域一项新的技术,可以在一定程度上解决当前的这种矛盾。应用抽取技术从大量非结构化、半结构化文本中自动抽取有价值、潜在的信息并以结构化的形式输出,可实现信息的深层挖掘和整合,具有广泛的应用前景。国内市场经济不断发展,特别是股市经济,对金融事件越来越敏感,研究面向金融领域的事件抽取对深入分析金融领域的文本信息、为决策者提供支持具有重要意义。本文面向金融领域新闻文本,沿用ACE2005对事件抽取任务的定义,在已有研究成果的基础上展开如下工作:（1）针对触发词识别问题,在词性识别与依存句法分析基础上,进一步通过Word2Vec模型扩展触发词词典,相比赵妍妍等人的研究成果,本文所得的扩展触发词词典实现更高的覆盖率,提升了任务的鲁棒性。（2）对于提取候选事件句问题,本文根据新闻标题的特点,提出对标题进行筛选获取标题关键部分,从而提高了候选事件句定位的准确性。（3）在抽取候选事件句的基础上,本文通过无监督聚类的方式提取金融核心事件。（4）为降低研究难度,实现任务的可行性,对核心事件句抽取事件三元组＜施事者、触发词、受事者＞,并对实验结果进行评价。总体上来说,本文面向金融新闻文本的事件抽取任务中,从抽取高覆盖率的扩展触发词词典、提升候选事件句定位准确性、通过无监督的聚类方式获取核心金融事件到抽取事件三元组,在事件抽取各子任务上实现降低由pipeline模式造成的误差传递,最终提升事件抽取性能。通过对实验结果的分析,本文提出的事件抽取方法其准确率Precision、召回率Recall和F1-score分别达到了0.739、0.862、0.7951,相比陈贺的实验结果,召回率和F1-score提高了0.1026、0.0458,取得有效成果。