生物医学领域的事件作为对生物实体及其变化的细粒度的表示,对于构造通路信息以及调控网络有着重要的意义。生物事件抽取任务包含两个子任务,生物事件触发词识别任务和生物事件元素检测任务。在自然语言处理领域,随着深度学习和表示学习的发展,越来越多的任务使用基于深度学习的方法来代替传统的基于特征工程的方法,避免了人工抽取特征。本文在这些工作的基础上,将深度学习和生物事件抽取任务相结合,使用深度学习模型实现事件触发词识别和事件元素检测。对于事件触发词识别任务,本文提出了两种触发词识别方法。第一种方法将触发词识别任务抽象成一个单词分类的任务,在结合分布式语义空间的基础上,提出了一种基于动态分段池化的CNN模型。该模型可以获取候选单词所在句子的句子级别特征信息,并结合其上下文的语义及实体特征信息作为单词的特征表示。最后通过训练分类器,构建生物医学事件触发词识别模型。该方法有效地将单词的位置信息与模型结构融合起来,实验结果表明,该方法相比于传统的基于特征工程的方法可以提高触发词识别性能。第二种方法将触发词识别任务抽象成一个序列标注的任务,提出了一种基于Bi LSTM-Attention-CRF的生物医学事件触发词识别的方法。该方法通过对文本中的单词以BIO标签形式进行标注构造样本,以解决以往方法不能识别多词触发词的问题;采用双向LSTM网络进行特征构建,在此基础上,通过注意力机制有效地融合了文档级别的特征;最后通过条件随机场学习BIO标签之间的相关性,最终对当前候选词进行标注,完成对文本中触发词的抽取。对于事件元素检测任务,本文提出了一种基于标注的方法来实现事件元素检测。不同于传统的基于二分类、多分类方法构造样本,本文将其抽象成对于当前触发词触发事件的文本序列的序列标注任务。因为事件元素的检测与触发该事件的触发词息息相关,本文将触发词所在句子作为基本的序列信息,并结合句子中单词对应的实体类别和触发词类别信息,最后对该序列标注事件元素的类别标签,来实现对事件元素的检测。在实验部分,本文使用MLEE数据集进行实验,使用大量的相关领域语料PubMed文献摘要训练词向量表达,分别针对任务的形式构建了相应的分布式特征表示,使用准确率、召回率和F1值评价模型效果,在触发词识别和事件元素检测上均取得了不错的效果。实验结果验证了本文所提出的模型的有效性。