近几年新型冠状病毒（COVID-19）疫情在全球蔓延,大数据与人工智能技术相互结合,通过病例的快速追踪使得疫情得以大幅度的控制。与此同时,为了让医院及相关医学科研院所更好地研究、查阅医学知识的相关文献,信息抽取技术受到了前所未有的关注与重视。而事件抽取作为信息抽取的重要分支,引起了自然语言处理领域研究者们的广泛关注。为了保证识别的准确率,生物医学事件抽取的挑战有:（1）生物医学文本特殊性导致的长距离依赖问题;（2）由于事件复杂程度的不同,导致的级联错误问题。为了解决上述问题,本文提出了空间域滑动窗口与注意力机制结合的混合神经网络对生物医学事件触发词进行识别,进而又提出了利用动态路径规划策略和注意力机制方法结合的混合神经网络对生物医学事件进行联合抽取。上述两种方法在保证模型鲁棒性的前提下,两个任务的F值也均有明显的提升。本文的主要工作如下:（1）生物医学事件是生物医学文本挖掘的重要组成部分,传统生物医学事件抽取方法在特征抽取过程中过分依赖自然语言处理工具导致耗费人工成本。另外,由于生物医学文献的特殊性——长文本语句多,导致长距离依赖问题比较明显。为了解决这些问题,本文提出了一种混合结构SWACG,它由Re CNN-Bi GRU（残差卷积神经网络和双向门控循环单元）混合神经网络和MUH-Attention（多头注意力）机制组成。该模型利用Re CNN抽取单词级特征并利用Bi GRU抽取上下文语义信息。此外,空间域滑动窗口在不破坏上下文信息的前提下,将长句划分为等长短句,避免了长距离依赖。实验结果表明,本文提出的方法在生物医学事件抽取通用语料MLEE（Multi-Level Event Extraction）上取得最佳的效果。（2）生物医学事件检测是分子生物学和生物医学研究中一项关键的信息抽取任务,它为医学研究、疾病预防和新药开发提供了灵感。现有的方法通常在同一模型下检测简单生物医学事件和复杂生物医学事件,复杂生物医学事件抽取的性能相对较低。本文为简单事件和复杂事件分别建立了不同的神经网络。为了避免冗余信息,设计了用于要素检测的动态路径规划策略。此外,该模型通过联合抽取减少了级联误差。实验结果表明,本文方法在生物医学通用数据集MLEE上获得了最佳效果。