伴随着电子信息技术的发展,网络信息传播平台不断增多,网络新闻在数量和来源上均快速增长。加上手机、平板等智能移动设备的便利性,使得人们可轻松获取到海量的新闻资讯。然而面对如此多的信息,我们不可能一一阅读。于是,新闻文本自动地按领域分门别类,并且以简洁的结构化语言描述其中的关键信息就显得尤为重要。为了实现此目标,本文致力于研究更准确有效的通用领域事件抽取技术。不同于生物医学、金融科技等特定领域,通用领域的事件类型广,事件角色复杂,引入专业资源库的方法并不适用。因此,本文研究重点是如何融入依存句法信息和角色知识,充分利用文本的内部和外部信息增强文本表示,从而更好地抽取出事件触发词和论元信息。本文的主要研究工作如下:（1）在事件检测任务中,为了在预训练模型捕获的特征上聚合依存句法信息,本文提出了基于BERT多层特征和依存句法信息的事件检测模型,利用BERT多个中间层特征增强图卷积神经网络,以更好的编码依存句法信息。首先,考虑到BERT模型的最后输出已包含一定的句法结构信息,为了不造成语义冲突,模型选择含浅层语义的BERT中间层特征作为词向量,在此基础上使用GCN编码依存句法信息获取句法结构增强的词嵌入。最后结合BERT终层输出和句法增强嵌入进行触发词识别。（2）针对通用领域事件论元抽取研究中角色信息利用不足和论元间缺少交互两个问题,本文提出了角色知识引导的多轮事件论元抽取模型,以增强文本的语义信息和论元之间的交互,从而提升事件论元抽取的性能。首先,根据角色定义构造角色知识,对角色知识和文本独立编码,然后采用基于注意力机制的方法获取知识增强的文本表示,进而用于论元的预测。此外,为了充分利用事件论元之间的交互;本文设计了多轮抽取算法,将论元抽取分解为多次任务,并引入历史嵌入以建模论元间的交互。通过更新历史嵌入,为下一轮事件论元的抽取提供信息。（3）为了验证在通用领域内模型的信息抽取性能,本文选择在语料为新闻文档的ACE2005数据集上进行实验,结果表明两个模型的性能均优于已知的大多数事件抽取模型。此外,不同设置下的消融实验也证明了各模块的有效性。