自然语言中充满了因果关系（Cause-Effect）的表述,每种现象或事物都有其原因,人们通过因果关系来描述事物运动和发展的规律。当前互联网上存在海量新闻数据,涉及大量事件相关的知识和信息,识别事件之间的因果关系能够帮助挖掘新闻中蕴含的逻辑知识,并刻画事件之间的发展逻辑。因此,本文主要研究对新闻中的事件进行因果关系抽取,并构建相关的事理图谱。针对事件识别任务,以往的研究工作集中在改善模型对文本的建模能力,没有有效利用能够触发相关事件的事件触发词。因此,本文第一个工作提出了一种触发词扩展机制,从语法连贯性和语义相似性两个方面分别对触发词进行扩展和约束,实验结果表明在有限的训练样本下,本章方法能够扩展得到更多该事件的触发词,并且加入扩展触发词信息能够有效提升模型对事件检测任务的性能。在此基础上,为了识别事件之间的因果关系,得到更加泛化的事件表达,本文第二个工作关注因果事件关系抽取,将原因和结果定义为由名词和谓语或状态组成的事件,并抽取含有因果关系的事件以及因果触发词。本文在扩展因果触发词的基础上,使用双指针标注网络并加入负采样机制进行论元的抽取,并提出论元共现模块对不同的论元进行组装,形成结构化的事件。在同花顺因果关系数据集上的相关消融实验结果证明了模型的有效性。基于因果论元抽取模型,本文第三个工作在大规模的新闻数据上进行了因果关系的抽取,在得到大量因果关系对的基础上,加入事件泛化、事件融合等流程,构建了金融领域为主的因果事理图谱。本文聚焦因果事件关系抽取,依次研究了事件的识别、事件之间因果关系的识别,并在大规模新闻数据上进行因果事件的抽取,最终构建金融领域的事理图谱。