中文篇章级金融事件抽取是事件抽取领域的一个重要研究方向,旨在从篇章级金融文本中抽取出对应的金融事件信息。现有的中文篇章级金融事件抽取研究热点是如何在篇章级别文本下进行跨句事件抽取。其主要研究如何构建端到端的模型进行事件抽取,大部分研究都是在模型层次上。然而这些工作忽略了词表、特定领域和标签层次等外部知识。这些外部知识对中文篇章级金融事件抽取的性能提升有很大帮助。为了解决上述问题,本文提出了以下两个工作:（1）提出了融入词表信息的篇章级金融事件抽取框架,解决了现有中文篇章级金融事件抽取中实体抽取子模块存在的一些不足。实体识别在事件抽取任务中扮演着重要的角色,其识别的结果对事件抽取最终的结果有着重要的影响。现有主流的事件抽取方法仅将实体识别子任务视为字符级别的序列标注任务,且仅使用字符级别的特征向量。字符级别的实体识别任务的一个显著缺点是未充分利用单词语义信息和单词序列信息,这些信息在相关研究中被证明对实体识别任务是有用的。基于以上观察,本工作引入了一个简单有效的模型,将包含语义信息和序列信息在内的词表知识融合到字符级别的特征向量。通过这种方法可以显著提高实体识别子任务的性能,从而帮助提高事件抽取任务的性能。另外,引入的方法不会增加模型的复杂度,因此不会降低模型的执行效率。同时为了进一步增强特征表示,本工作将外部的领域知识引入到文本特征向量当中。本工作在由大量中文上市公司公告构成的数据上进行了相关实验,实验结果表明了方法的有效性。同时本工作还设计了相关实验来验证方法的执行效率,实验结果验证了方法的高效性。（2）提出了基于事件元素相关性的篇章级金融事件抽取框架,解决了现有篇章级金融事件抽取中事件元素分类模块存在的一些不足。事件元素分类是事件抽取的最后一步,其主要作用是将实体抽取子任务抽取的事件元素实体和对应的事件关联起来,在事件抽取任务中扮演重要角色。现存工作的事件元素分类模块只对每个事件元素角色单独分类,而忽略了不同元素之间隐藏的相关性。基于以上观察,本工作通过引入相关模块去挖掘标签层次有用的外部信息,从而让其服务于篇章级金融事件抽取任务。本工作主要挖掘标签所蕴含的层次化结构信息和关系层次信息。首先,通过构建层次化的训练模块和层次化的解码模块来利用标签的层次化信息。然后,借鉴多任务学习的相关思路,在原有的事件抽取框架的基础上,将事件主体抽取拆解为实体识别、关系抽取和事件抽取。通过共享特征提取模块,构建联合训练子任务的方式实现事件抽取,从而将事件元素在关系层次上的相关性引入到中文篇章级金融领域事件抽取任务当中去。本工作通过在由大量中文上市公司公告构成的数据上进行了相关实验,实验结果表明本工作提出的方法有效性。