随着网络空间中文本信息的爆炸式增长,事件抽取作为人工智能领域的一个研究方向开始受到更多关注。通过让计算机从非结构化文本中抽取出事件发生的时间、地点、对象、动作等结构化要素信息,可以使用户感兴趣的事件内容以更加简洁精炼的方式表示出来,从而大大提高人类从海量文本中获取有价值内容的效率。虽然近年来事件抽取研究取得了巨大进展,但现有研究大多着眼于句子级事件抽取,即假设事件的全部要素出现在单个句子中。这与实际场景下需要联系上下文中的多个句子才能获取一条完整事件信息的应用条件不符。另一方面,基于深度学习的事件抽取模型,其训练效果取决于训练数据集的规模和标注质量,但针对特定领域事件抽取的人工标注数据集较难获得。为了解决句子级事件抽取信息缺失的问题,提出一种基于自注意力机制的中文文档级事件抽取模型ATTDEE（ATTention based Document-level Event Extraction）。模型通过对含有多头自注意力机制的实体识别模块、事件类型检测模块和文档级论元抽取模块的联合训练,既减轻了传统管道式事件抽取方法的误差传递,同时将事件抽取模型的抽取粒度提升到了文档级别。此外,模型在事件类型检测阶段不显式依赖任何事件触发词,既解决了实际应用场景下触发词可能缺失的问题,又避免了在数据集中标注触发词的工作量。在公开金融事件抽取数据集上的对比实验表明,ATTDEE模型能够有效解决文档级别的事件要素抽取任务。针对特定领域事件抽取数据集标注困难的问题,提出一种应用预训练语言模型扩充数据集规模的方法。通过在海量无监督金融公告上对BERT（Bidirectional Encoder Representation from Transformers）模型的参数进行调优,使模型能够更好地学习金融公告的表述规范。然后,对已有小规模金融事件抽取数据集中的每一篇文档进行论元和实体的同类词替换,再应用调优后的BERT模型对句子中除论元和实体以外的连接词文本进行改写,最终生成新的训练数据。为了增强中文场景下的应用效果,该方法提出以词组为单位的BERT调优和连接词文本改写。通过对比数据集扩充前后ATTDEE模型的训练效果,可以证明该方法能够针对特定领域的事件抽取任务快速生成高质量的标注数据集,增强数据泛化效果,提升事件抽取模型在小规模数据集上的训练效果。