事件抽取是以事件为单位进行信息抽取的起点,具有较高的理论与应用价值。目前相关研究首先过度注重语句,而忽视了文档级别信息;其次面对多类型事件句,难以有效识别事件类型;最后注重事件识别与论元识别的管道模型,从而导致了错误传播。针对上述问题,本文主要研究内容包括以下三个方面:首先,本文提出一种借助注意力机制将局部的字符、词、实体与全局的文档中事件的共现等信息统一建模的序列到序列事件识别方法。在LDC2017E02语料上实验结果表明,该方法能有效提高事件识别性能。其次,面对多类型事件识别困难问题,本文提出了一种融合ELMo的图卷积网络事件识别方法。该方法能借助依存分析建立事件之间的联系,并利用图卷积网络对依存分析结果进行学习。实验结果表明,该方法能进一步提升事件识别的性能。最后,由于语料规模问题,本文提出了一种融合局部特征与图卷积的事件抽取联合模型。该方法通过图卷积网络学习事件间的联系,及通过记忆单元学习事件论元与事件类型间的语义联系。在TAC KBP 2016测试集上的实验结果表明,该联合抽取模型能有效提高事件识别与论元识别的性能。