提取实体之间的因果关系是获取因果关系知识的基础,也是自然语言理解（Natural language understanding,NLU）任务的一个基本步骤。因果关系往往伴随着实体的时间线索:一个实体的因果关系总是状态的变化或行为的变化,这些变化伴随着时间的变化。据我们所知,时间因果关系提取没有得到与其重要性相一致的足够重视,对于时间因果关系的研究几乎没有,同时带有时间关系和因果关系的数据集更是少之又少。针对当前的序列标注、文本分类和关系抽取这三种主流方法,本文根据基于时间因果关系抽取的研究任务需求,确定了采用序列标注的方法结合时间关系抽取文本中的因果实体,无需其他因果知识背景和特征工程。本文的主要贡献是:1.在基础概念和研究方法上,基于当前已经存在的因果关系抽取研究方法,列举当前国内外研究现状并做出详细地分析与总结,同时结合应用在因果抽取方向上的时间关系研究,使读者了解因果方向的领域研究;2.在算法模型上,使用基于时间关系的图注意力网络（T-GAT）的概念,即将图注意力机制应用于时间关系中;使用基于因果知识图谱的图注意力网络（C-GAT）的概念,即使用因果知识图谱提取GAT使用的邻接矩阵;提出均衡机制（Equilibrium mechanism）平衡两个模块的输出,平衡时间关系的负面影响。结合深度学习的知识,提出了TC-GAT（BERT+T-GAT+C-GAT+Equilibrium）因果关系抽取模型预测句子中每个词对应的因果标签。3.在标注方法上,首先介绍了时间关系类型,并根据实际需求确定时间标注类型,经过现有因果序列标注方法进行多角度分析,确定采用“核心因果词”的方法标注时间和因果关系,降低标注难度;4.在实验数据上,对现有的因果关系数据集进行了全面的分析和总结,列举其标注方法和标注准则;根据实验需要,最终选取了Sem Eval2010-Task8和Altlex数据集,对其进行行修正和扩展,同时标注了因果关系和时间关系标签,创建新的时间因果数据集TC-Sem Eval2010-Task8和TC-Altlex;5.在实验结果上,通过在时间因果数据集TC-Sem Eval2010-Task8和TC-Altlex上进行实验,实验结果表明,与传统的基线模型相比,我们的模型在因果关系提取任务上的性能有了明显的提高,证明了时间关系对抽取因果关系是有帮助作用的。最后,更进一步探究本文的模型在该方向的可延伸性。