为了能够准确高效的从大量非结构化数据中分析抽取出关键信息,信息抽取技术逐渐发展。事件抽取作为信息抽取领域的关键组成部分,在知识图谱、自动摘要、问答系统、阅读理解等领域被广泛应用。事件触发词抽取是事件抽取的关键部分。针对现有的事件触发词抽取方法主要关注事件触发词本身信息,没有充分的利用事件要素信息,采用一种事件要素注意力与编码层融合的事件触发词抽取模型,能够有效地利用事件要素信息,提高触发词抽取效果。通过事件要素与事件触发词之间的相关性来显示利用事件要素信息,同时利用编码层的多头自注意力机制间接学习事件要素与事件触发词之间的依赖关系,并将两个方法得到的输出向量进行处理,作为特征送入到编码层中进行训练。此外,通过词特征模型获取语义信息。该事件触发词抽取模型在ACE2005英文语料上F值为71.95%。在触发词抽取模型的基础上,采用一种识别注意力模型。将事件触发词抽取划分为先识别后判定类别两个步骤,提出将识别结果信息融入分类的方法,通过将模型识别的结果,作为注意力添加分类模型中,增加触发词的权重信息。实验结果表明,使用该方法的F值达到77.01%。事件要素角色抽取是事件抽取的另一组成部分,提出一种卷积长短期注意力与事件触发词注意力融合模型。首先通过采用多个卷积核的网络获取不同的局部特征表示,然后通过双向LSTM获得不同上下文特征的句子表示,并且对于局部特征与句子表示分别通过自注意力机制有效学习出词与词之间相关性,特别是事件要素与触发词之间的关联信息,将两者注意力隐层输出进行合并,作为卷积长短期注意力网络的输出特征。此外,利用事件触发词注意力,来增强事件要素权重信息。本文通过在ACE2005事件语料来验证模型效果,F值达到41.13%。