研究生物实体之间的复杂关系网络对于揭示生物体的奥秘具有重要作用,而这些知识信息往往存在于生物医学文献中,如何自动从大量文献中挖掘出有用的结构化信息成为一个重要的研究课题。生物医学事件关注生物医学分子的具体表现行为,定义了相对于粗粒度的二元关系来说更加细粒度的复杂关系,对药物研制和疾病预防具有重要意义,生物医学事件抽取逐渐成为研究的热点。生物医学事件抽取的目的在于识别事件触发词及与之相关的要素。近年来生物医学事件抽取获得越来越多的关注,基于规则、传统机器学习和神经网络的方法相继被提出。然而医学事件存在嵌套的现象,加上同一个触发词可能具有多种事件类型,现有方法的事件抽取性能并不是很高。为此,本文将事件抽取分为触发词识别、要素检测和后处理三个阶段,提出新的事件抽取方法。考虑到预训练语言模型可以有效解决一词多义的现象,可以对同一触发词根据不同上下文生成多种语义表示,本文将结合预训练语言模型采用两种不同的方式来实现事件触发词识别。一是用预训练语言模型来提取深层语境词表示,然后将深层语境词表示与传统的预训练词向量组合输入到双向长短时记忆神经网络Bi-LSTM(Bi-directional Long Short-Term Memory)中,再用条件随机场CRF(Conditional Random Fields)进行标注;二是用预训练语言模型进行微调,可以直接对分类结果进行softmax处理,也可以使用CRF或者Bi LSTM-CRF来标注。完成触发词识别后,接着进行要素检测,本文提出两种多分类模型用于要素检测。一是基于自注意力和实体注意力的要素检测模型,自注意力关注句子中不同的重要部分,自注意力的输出用Bi-LSTM编码,再结合实体注意力,可以充分获取句子的语义信息;二是使用预训练模型编码上下文信息和候选对信息,获得的深层语义信息更加丰富;这些充分或者丰富的语义信息有利于复杂关系的分类。完成触发词识别和要素检测后,本文使用基于规则的后处理方式生成事件,在MLEE数据集上进行实验,表明本文提出的方法有效提升了事件抽取的性能,特别是复杂的嵌套事件的抽取。