随着信息技术的快速发展,蕴含着大量的潜在知识的生物医学文献数量飞速累积。如何自动高效地从海量生物医学文献中提取有用知识,进而揭示更多威胁人类的各种疾病的未知信息成为一个亟待解决的问题。在此背景下,生物医学领域的信息抽取技术得以发展。伴随着生物医学研究的日益精细化,以往相对简单的关系抽取不能满足生物医学家们的研究需求,展现生物分子间多元关系的生物医学事件抽取应运而生,并迅速成为研究热点。本文重点研究生物医学事件抽取技术的关键问题。借鉴前人提出的经典事件抽取流程,本文将整个事件抽取系统分为：语料预处理、事件触发词识别、事件元素检测、事件后处理四大块。主要做了以下两个工作。针对事件触发词识别阶段特征作用方式单一笼统效果不佳的问题,提出一种基于深层句法分析的双层特征构建方法。巧妙地利用触发词与元素呈现的事件结构与深层句法分析得到的谓词参数结构之间存在的从属关系相似性,单独地进行事件触发词-蛋白质对关系的提取,用以融合常用的基于词典的触发词抽取结果。这种方法针对触发词任务的特殊性,能够更好地发挥了深层句法分析中蕴含的句子结构信息的作用,同时弥补了基于词典方法存在的无法抽取未登录触发词的缺陷。将该方法在BioNLP2009与BioNLP2011 GE语料集分别进行实验,与对比实验WSD方法相比明显提升了各项性能,同时表现出良好的泛化能力。针对在事件元素检测阶段已标注语料的缺乏导致特征稀疏的问题,提出一种结合领域知识的方法。从大量未标注中提取蕴含丰富领域知识与语义信息的词向量特征,同时利用主题分析模型获取句子与关键单词的主题特征,共同作用于事件元素的检测。来源于两个方面的特征有效地捕获了事件元素检测阶段所需的全局语义信息与句子主题信息,避免了单纯从已标注语料中通过人工设计与提取特征的特征稀疏问题,同时,利用语言模型与主题模型自动学习特征的方法具有更好的泛化性。实验证明,运用该方法进行事件元素检测能够取得较好的事件抽取结果。