生物医学事件抽取是生物医学信息抽取的研究焦点,研究的是分子层面的蛋白质间的关系和变化,以及这些关系和变化的类型与参与元素。目前,很多通用事件的抽取机制已经在生物医学事件抽取问题上取得了较好的成绩,但同其它领域相比,抽取的准确率和召回率都还普遍偏低,还有很大的提升空间。本文提出了使用组合深度学习模型进行生物医学事件抽取的机制,充分利用不同模型的优势,在语料的时序和空间结构两个方面进行特征提取,取得了高精度的抽取结果。本文沿用经典的流水线式抽取流程:预处理,特征提取,触发词识别,事件元素检测,规则后处理。首先根据生物医学事件的定义,对原始语料进行预处理,使语料更适合于抽取任务;利用分布式语义词向量,结合基础的依存句法结构特征和位置特征,生成语句的特征向量表达,然后使用循环神经网络模型充分挖掘句子的时序信息;使用卷积神经网络模型进行分类,识别出触发词和事件类别;在事件元素检测阶段,同时对简单事件和复杂事件进行抽取,以上一步获得的深层特征和触发词为基础,结合卷积神经网络进行事件元素的识别,一次性识别出所有的关系对,再根据关系的类别生成对应的简单事件和复杂事件;最后结合生物医学事件的领域特征,定义规则进一步优化元素检测的结果,生成结构化的生物医学事件。本文在BioNLP’09共享任务提供的语料集上进行实验,并取得了较高的识别效果。实验结果表明,该方法在生物医学事件抽取任务上是可行的。