事件抽取作为信息抽取的核心子任务,其对于互联网的信息化处理起着至关重要的作用。而受限领域多、样本少的困境,事件抽取的模型往往得不到充分的训练,因此如何在低资源的场景下构建中文事件抽取模型是一个非常值得探索的问题。本文重点围绕低资源的中文事件抽取展开研究,主要的研究内容如下:（1）基于字词联合表示的中文事件抽取方法首先,针对在低资源下中文单个词语或字都难以有效地表达事件触发词的情况,本文提出一种基于字词联合表示的中文事件抽取模型。该模型通过图卷积神经网络融合字词级别的语义信息,利用动态策略算法来识别触发词的边界。通过对比实验分析,该模型在ACE2005上F1值超过了最佳基准模型3.3%。（2）跨语言数据增强的中文事件抽取方法其次,为了能够更好地扩充已有的中文数据集,本文提出利用现有的英文语料来扩充中文语料,一定程度上缓解了因为低资源场景下带来的训练不充分问题。该方法将英文语料对齐翻译到中文下,并通过主动学习策略过滤噪音数据。最后在数据集ACE2005上进行相关对比实验,相比最佳的基础模型在F1值上有1.4%的提升。（3）基于多任务学习的中文事件抽取方法最后,为了在小规模数据集下提升事件抽取模型的泛化能力,本文提出了一种基于多任务学习的事件抽取模型,通过学习不同任务之间的互补信息,增强主任务的特征捕获能力。以对话系统中的槽值填充和意图识别任务为模板,提出了句子级的事件抽取辅助任务,利用句子的整体语义信息辅助事件抽取模型精确识别事件类型,进一步提升模型的识别能力。此外,为了弥补因为BERT的掩码策略带来的不足,借鉴SpanBERT的思想,使用块状目标预测来增强模型识别词语边界的能力。最终在数据集ACE2005上F1值超过了最佳的基准系统1.6%。综上,本文分别从语言内部建模、外部数据扩充、辅助任务增强三个角度出发,通过提升模型的泛化能力,大大提高了低资源下中文事件抽取模型的性能。