近年来,随着大众收入的提高,人们对于投资理财的需求日趋强烈。网络上金融信息的特点多数呈现规模庞大闲散,并且金融事件的发生具有渐变性和不确定性,另外相关信息夹杂在大量的无关信息中,由此导致一方面该领域非从业人员对于专业知识的掌握困难且复杂,很难发现投资风险;另一方面很多人不具有风险防控意识,投资失败,甚至受骗事件时有发生。因此,如何从众多的网络信息中抽取出金融事件,对于大众金融风险防控具有实际应用价值。本文在充分调研了国内外研究现状后,针对金融事件抽取问题,在单一事件识别模型和Bert-Bi LSTM-CRF事件抽取模型的基础上,设计和实现了基于金融领域实体与触发词的联合识别及抽取模型。该模型使用了深度学习的组合框架搭建实体与触发词特征融合的事件识别模型和多卷积多注意的联合抽取模型,通过对触发词、事件元素及关系的抽取完成了金融公告文本知识抽取的工作。通过对比实验分析,对其结果进行评价,本文采用的模型对于金融事件抽取效果更好。本文中的事件识别和联合抽取模型在精确率、召回率等方面都优于对比实验的抽取方法。基于上述金融事件抽取模型为核心技术,论文设计和实现了一个基于金融知识图谱面向金融事件的查询搜索系统。系统可以根据用户的需求,将用户感兴趣的信息抽取出来,用更为直观的展示方式,帮助用户及时了解金融事件的发生及发展过程,为用户预防金融风险提供支持。对于金融数据库构建的工作,采用scrapy框架编写的代码对同花顺网站的金融公开信息进行爬取。继而对事件识别模型进行训练和应用,对模糊类别的金融事件进行分类,然后按照类别把事件传入到事件抽取的模型中,完成金融事件抽取。使用Neo4j图数据库对图谱进行存储,搭建金融领域知识图谱。系统的整体功能包括账户录入、模型训练、查询搜索、数据管理几大部分。系统采用B/S架构,通过python和java对系统的后端进行搭建和开发,然后使用CSS、Java Script进行前端的开发,完成了系统的实现,并以扩展应用的形式给市面现有的浏览器增添了实用性和便捷性。最终通过对系统进行相关功能测试和性能测试工作,保证系统实现基本功能,可以稳定运行,并在一定程度上提高了用户的搜索速率和准确率。