事件抽取是信息抽取领域内的一项富有挑战性的任务,其目的是从自然语言文本中抽取结构化形式的事件信息。从上世纪末开始,研究者们针对事件抽取任务提出了很多方法和模型,并在当时取得了很好的效果。尽管如此,事件抽取任务的准确率仍然存在很大的提升空间。另一方面,面对事件抽取模型愈发复杂的现状和处理大规模文本的需求,工业界希望能够进一步提升事件抽取的效率。本文面向大规模英文文本事件抽取的关键技术进行了深入研究,提出了基于结构化自注意力机制和空洞门控卷积神经网络的两种事件抽取方法,并设计实现了一个并行事件抽取系统。本文的主要工作和创新点如下:首先,针对现有工作中单词特征缺乏语义信息和单词间潜在联系的问题,提出了一个基于结构化自注意力机制的事件抽取方法。该方法根据触发词和事件元素的定义,融合多种信息到单词的分布式表示中。同时通过构建结构化的自注意力机制,刻画单词之间存在的先验关系,进一步在数据集上自动学习样本中单词之间的潜在关联关系,增强单词特征中的上下文信息,提升事件元素抽取的准确率。基于ACE2005事件语料库的对比实验表明,该方法的准确率高于其他方法。其次,针对事件抽取技术在小型计算设备上的应用场景,提出了一个参数量更少的轻量级事件抽取方法。该方法基于空洞门控卷积神经网络搭建面向高维度单词特征的多分类器。同时,使用数据增强技术和标签加权方法缓解训练语料库存在的样本分布不均的问题,加强事件抽取模型对小类标签数据的学习能力。基于ACE2005语料库的实验表明,该方法的事件元素抽取准确率高于同类方法。最后,面对提升事件抽取效率的需求,本文基于上述两种方法设计并实现了一个并行事件抽取系统。针对内存溢出和进程等待的问题,本文对模型进行了合理划分,并提出了一种动态的子任务调度策略。实验证明,该并行事件抽取系统能够有效地提升事件抽取的效率。