互联网如今已经成为人们获取信息的主要途径之一,人们可以轻松快速地从互联网上获取各种各样的信息。但是,伴随着互联网上的信息呈指数式增长,人们置身于一个信息爆炸的环境中,每天面对铺天盖地的各种信息,甚至已经严重超出了人们的承受范围。因此,如何从海量的信息中找到人们真正关心的信息已成为当前亟待解决的一个问题,信息抽取由此而成为大家关注的重点。事件抽取技术研究是信息抽取研究领域中一个极为重要的子任务,也是当前信息抽取研究任务中的难点和热点之一。事件抽取的任务就是从自然语言描述的海量非结构化文本中抽取用户关心和感兴趣的事件(包括事件的类型和子类型以及事件所涉及的实体、时间及数值等元素),然后用结构化的形式保存和呈现,提供给用户浏览。抽取的事件还可以作为输入信息,提供给机器翻译、文本检索、知识图谱、推荐系统等多种应用,具有重要的实际应用价值和学术研究意义。本文主要面对中文事件抽取,研究中文事件的检测与分类以及中文事件的元素角色抽取。事件检测与分类任务其实是识别事件触发词的过程,这个过程分为两步:触发词识别和触发词分类。本文结合注意力机制和长短期记忆神经网络,提出了 ATT-BiLSTM算法,不依赖词性标注和实体识别,不需要人工设置特征,合二为一地进行事件检测与分类。该方法可以捕捉文本的局部信息和全局信息,通过在ACE 2005中文事件语料集上设置对比实验,相对于传统的模式匹配方法、机器学习方法以及一些现有的深度学习方法,ATT-BiLSTM算法在性能方面有了明显提升。事件元素角色抽取任务分为元素识别和元素角色分类两步。结合通过事件检测与分类获得的事件触发词信息,本文提出了一种结合注意力机制和双层BiLSTM的ATT-DBiLSTM算法,用来完成事件元素角色的抽取。通过引入触发词信息,弥补了事件元素角色抽取中结构特征过于松散的缺陷。通过在ACE2005中文事件语料集与其他现有方法进行对比,本文提出的ATT-DBiLSTM算法明显提高了事件元素角色抽取的性能。