法律文书是司法机关及律师等在解决案件时使用的文书,包含大量司法信息,如何高效地分析和利用这些信息具有重要研究意义。现有的法律文书智能化处理大多集中在法律实体识别和法律实体关系抽取上,对于事件抽取的研究非常少。民事判决书作为日常中最为常见的文书类型,具有一定的普适性,同时判决书作为判案的判决结果,将其作为数据来源可以获得案件细节的详细描述。本文从北大法宝上下载民事判决书作为原始语料,针对民事判决书进行句子级别的事件抽取。事件抽取主要分为三个方面的任务:事件类型识别、触发词获取和事件元识别。针对事件抽取,论文主要进行了以下四个方面的工作:（1）民事判决书收集和与预处理。本文从北大法宝上下载了合同纠纷、婚姻纠纷、交通事故纠纷、物权纠纷、人格权纠纷、继承纠纷、物业纠纷、财产纠纷八类文书,每种类别各250篇,共计2000篇;经过正则表达式处理、分词、去法律领域停用词等预处理之后得到包含法院认定事实判决结果的语句共11277条。（2）事件类型聚类。由于现有的法律法规没有对法律事件类型进行统一的定义,其类型又多种多样,而聚类是无监督学习方式,能对相近数据自动聚类,所以本文对预处理后的民事判决书语句采取聚类的方式来获取事件类型。本文使用K均值聚类方法进行聚类,并采用聚类有效性测度指标轮廓系数来判断最优聚簇个数,实验表明聚为8类时轮廓系数最高,此时聚类的准确率达到82.12%。（3）触发词识别。本文设计了一种Text Rank（文本排序）算法和信息熵相结合的方式,获取了句子集合中的触发词集,该集合与人工标注得到的触发词集基本吻合,本文也根据触发词集,判定了聚簇事件类型名称。（4）针对已经得到了事件类型和触发词的句子集合,本文定义了不同类型事件对应的事件元。人工标注出其中的相关事件元,进行下一步的事件元识别任务。将上一步得到的数据按照8:2划分训练集和测试集进行模型训练和测试。本文使用一种结合ALBERT（轻量级预训练模型）与BiGRU-Attention-CRF（双向门控循环单元-注意力机制-条件随机场）的模型进行事件元识别实验,并且与其他识别模型进行结果对比,该模型的精确率达到83.39%,高于其他事件元识别模型。实验结果表明,论文实践的方法能够比较有效地完成事件类型识别、触发词获取以及事件元识别。为民事判决书的事件抽取研究提供了一种思路,可以为后续案件审阅,智能法律机器人等方面的应用提供帮助。