面对爆炸式增长的电子文本,人们所关心的是如何对这些数据信息进行智能化处理,并从这些文本中获取到用户真正关心的问题。在该背景下,信息抽取的概念被提了出来。事件抽取是信息抽取领域的一个子方向,同时也是该领域的一个研究重点和难点。传统的基于模式匹配的事件抽取方法需要手工的方式构建模式,这种方法耗费大量资源。基于特征的方法在提取特征的过程中会过度的依赖自然语言处理工具,这一过程也会耗费许多人力资源,而且还容易出现数据稀疏性和错误传播等一系列问题。如今,深度学习技术风靡各行各业,特别是在语音识别和图像处理领域的应用。受此影响,研究人员也开始在NLP领域引入深度学习技术。深度学习方法的引入可以降低对自然语言处理工具的依赖,该方法可以充分利用文本上下文信息从文本中自动挖掘有效特征。人们逐渐开始将深度学习技术应用到事件抽取领域。考虑到前人研究模型中存在的不足,我们提出一种新的模型来进行触发词抽取任务,该模型的主要思想是将卷积神经网络和双向门控循环单元进行融合,从而更好的判断事件触发词及事件的类型。我们首先使用谷歌开源工具包Word2Vec将文本数据转化为词向量,以便计算机可以更好的进行理解;然后使用卷积神经网络对输入的数据进行局部词级别特征的提取,再使用双向门控循环单元对输入数据进行句子级别特征提取,双向门控循环单元可以结合两个方向的词语依赖,从而更好的挖掘句子的语义信息;接下来我们把这两个部分提取的特征进行结合。这样一来,我们提取得到的特征就比较丰富,既包括词语级别的特征,同时还考虑文本上下文句子级别的特征;最后将提取得到的特征放入softmax层进行触发词的识别判断。通过在ACE2005英文语料库上和CEC中文突发事件语料库上进行实验,我们将本文提出模型的实验结果与前人提出模型的实验结果进行对比发现,不管是在触发词抽取效果上还是在收敛速度上,我们提出的模型表现出的效果都要更好。