随着互联网信息量的爆炸式增长,如何充分利用这些具备海量、多样、低价值密度特性的信息,来为社会、经济、技术的进一步发展提供推动力,成为了摆在研究者面前的一个重大的挑战。为解决这一问题,以从非结构化文本中抽取出人们关心的结构化信息为目标的信息抽取技术愈发重要,而事件抽取正是信息抽取领域的重要研究任务之一。事件抽取的目标是从非结构化的文本中提取出半结构化的事件,来直接运用或者服务于下游的研究和应用。事件抽取可进一步细分为两个子任务,第一个子任务为对文本中最能代表事件发生的字段进行抽取,该字段被称为触发词;第二个子任务为对参与事件的人物、时间、物品等要素进行抽取,这些要素被称为论元。事件抽取的成果对于文本摘要、问答系统、知识图谱构建等应用均具有十分重要的意义。以事件抽取为研究主题,本文的主要研究内容如下:首先,研究了事件触发词的抽取,该子任务又可称为事件检测。现有的事件检测方法仅仅将文本对应的实体类别信息作为文本信息的辅助,忽略了实体类别序列中可能蕴含的序列特征。本文提出了一个事件检测模型ETEED,充分挖掘实体类别的序列特征,并设计了一个触发词-实体交互关系学习模块,将文本序列特征与实体序列特征进行融合,提升了触发词抽取的效果。其次,研究了事件触发词与论元的联合抽取方法。目前大多数事件抽取研究都将论元抽取和触发词抽取分成两个相对独立的抽取阶段,即先对触发词抽取模型进行训练和应用,然后将触发词抽取的结果作为输入,传输到论元抽取的模型之中。此类事件抽取研究方法被称为流水线方法。这类方法优点在于模型的设计和训练相对简单,缺点在于触发词抽取结果的错误会在论元抽取模型中传播,且分阶段的训练会增大事件抽取任务的时间成本。因此,本文采用联合学习思路,通过共享实体类别信息的方式将触发词抽取和论元抽取模块进行连接,并融合预训练语言模型BERT的优势,构建了联合抽取模型PJEE,提高了事件触发词与论元抽取效果和效率。最后,本文就上述事件检测模型ETEED与事件联合抽取模型PJEE的效果进行了实验验证。在ACE 2005这一公开测评数据集上进行的大量实验表明,本文提出的事件检测模型和事件联合抽取模型能够有效地利用实体类别信息,并在各项评测指标上优于现有的事件检测和事件抽取方法。