关于因果关系的研究由来已久,但目前自然语言处理领域的因果关系抽取研究仍是一个新兴领域。最初因果关系抽取仅为关系抽取任务中的其中一种,但随着因果关系抽取任务的重要性逐渐显现,目前已有越来越多的研究致力于单一的因果关系抽取任务。作为一个比较新的研究方向,在因果关系抽取任务中,数据集过小是我们在研究中常常遇到的问题,其解决方式一般是使用元学习或数据增强方法。目前的数据增强方法大多数采用一套基于规则的处理方法,本文总结了现有的数据增强方法,并针对其弊端,提出了一个新颖的基于对抗训练的任务自适应数据增强模型。另一方面,在因果关系抽取任务中,隐性因果关系的识别一直是研究中的一大障碍,由于其在不同的语料中的表现形式十分多样,目前很少有研究在隐性因果关系上取得进展。本文提出的自适应对抗模型具有另一个作用,由于本ACMM模型能够根据任务数据的不同,针对性的选择句子中更能表明因果关系的单词进行删除。并且通过实验证明,在具有显式因果连接词的句子中,ACMM模型有更高的概率选择因果连接词进行删除,因此我们认为,在无明显因果连接词的隐性因果关系中,被本模型有较高概率选择的单词或短语更有可能是隐式因果连接词。通过这项研究,可以通过另一个视角来看待隐式因果关系,为后续的隐式因果关系的研究提供参考。在实验上,通过添加本模型的对抗训练,在两个公开数据集上的实验显示,大部分基础模型的效果都有所提升,这证明了本模型的有效性。与不同的删词策略的对比实验显示,本模型产生的策略更优,同时具有更高的稳定性。我们还通过可视化模型的输出这一实验证明了本模型具有一定的识别因果连接词的功能,同时对于隐式因果连接词有一定的判别效果。