因果关系反映了事情之间先后相继、由因及果的发展关系。专利文本中的因果关系体现了专利的技术核心,有助于精准挖掘专利信息,也有助于专利知识图谱的构建。虽然因果关系抽取是自然语言处理领域一个经典的研究方向,但针对专利语料方面的研究较少。目前用于因果关系抽取的方法中,存在隐式因果关系抽取困难,边界识别模糊的问题。针对这些问题深入研究,主要工作包括:（1）构建专利因果指示词表。针对隐式因果关系抽取困难问题,分析了专利文本中隐式因果关系的特点,提出了专利文本的隐式因果关系的定义,并提取能代表专利中隐式因果关系的连词,结合常规因果关系指示词构建种子词表,进行同义词词林扩充。（2）提取专利因果指示词特征信息及其它词语与指示词的相对位置信息,解决专利因果关系抽取边界识别模糊问题。（3）提出融合句法、依存路径信息的两层Bi LSTM模型。在专利文本中,相关联的词和短语未必相邻,存在长距离依赖问题,采用Bi LSTM融合句法、依存路径信息来解决远距离词语之间依赖特征随句长消失的问题。句法、依存路径分析提供了词语在树形结构上与远距离词之间存在的依存或搭配关系。通过引入注意力机制更合理地分配词向量特征与句法特征的权重比例,并利用CRF（Conditional Random Field）完成最后的因果关系识别任务。（4）选取了化学类专利文本2465篇,在摘要及技术背景中,抽取出了9836条包含因果关系的语句。其中专利隐式因果关系句有5827条。采用F1值作为抽取效果的评价指标,分别在CRF模型、Bi LSTM模型、Bi LSTM＿CRF模型、以及本文提出的融合句法、依存路径分析的模型上使用相同数据集进行实验。实验结果表示,在平均句长36.2的语料中,本模型F1值平均达到75.05%。抽取结果相对于其它对比实验,F1值有显著提升。