随着水产养殖规模的不断扩大,传统的病害防治技术已经无法满足水产养殖业的需求。因此,亟需一种有效的方法来辅助病害防治技术的研究。事件知识图谱是一种利用人工智能技术赋能传统水产养殖产业的方法,可以转变病害防治技术的研究方式。事件抽取作为构建事件知识图谱的关键环节,有效的事件抽取方法可以提升图谱构建的质量。由于水产动物疾病防治事件含有大量的专有名词边界模糊、事件实体过长和长尾事件实体识别等问题,通用的事件抽取方法无法有效地完成水产动物疾病防治事件抽取任务。因此,本文旨在开展基于深度学习的水产动物疾病防治事件抽取研究,以解决上述问题并提高事件抽取的准确性和效率。本文取得如下研究成果:（1）提出了一种基于动态权重的多模型集成事件抽取方法。该方法用于解决水产动物疾病防治事件抽取任务中的专有名词边界模糊和事件实体长度过长的问题。采用动态权重的Gate模块融合ERNIE和Mac BERT预训练模型学习的语义特征;将语义信息传入BiLSTM捕捉文本长距离语义依赖;采用条件随机场对输出标签添加约束。实验结果表明,提出的基于动态权重的多模型集成事件抽取方法F1值达到了74.15%。研究表明,该方法能有效提升水产动物疾病防治事件抽取任务的效果。（2）提出了一种融合胶囊网络的BTCapMB事件抽取方法。该方法用于解决水产动物疾病防治事件实体长尾识别问题。首先,采用BERT+Text CNN模型提取文本初始特征和局部特征,并利用Multi-BiLSTM模型进一步提取不同维度且带有依赖信息的文本特征;其次,采用胶囊网络模型学习不同事件实体之间的空间语义关系;最后,将MultiBiLSTM和胶囊网络模型提取的特征进行融合。实验结果表明,该方法在水产动物疾病防治事件数据集（DLOU-FZ）上F1值达到了75.83%,是一种有效的水产动物疾病防治事件抽取方法。（3）构建了水产动物疾病防治事件知识图谱。通过人工标注和事件抽取任务抽取出关键的水产动物疾病防治文本事件信息后,将提取的事件信息存储到Excel表格中。利用Neo4j图数据库构建了水产动物疾病防治事件知识图谱,为水产养殖业的健康发展奠定基础。