当今社会,海量的信息涌入互联网中,为了从海量互联网新闻数据中提取到有价值的信息,人们开始依赖自然语言处理技术进行信息抽取,而事件抽取则是信息抽取的重要部分。当前的事件抽取方法侧重于设计复杂的特征,而忽略了外部先验知识的引入,这在面对复杂且属于开放领域的新闻数据时难以有效地进行事件抽取。为了解决上述问题,设计了在机器阅读理解框架下进行事件抽取的方法,该方法将待抽取的语句在结合问题模板经过实例化之后,编码了先验知识,有效提升了模型的域适应能力。事件抽取分为两个核心子任务,分别是事件检测和事件论元抽取。针对前者,提出了固定与非固定问题模板方法;针对后者,提出了实体依赖与无实体依赖的方法,其中无实体依赖的方法无需任何实体信息即可进行论元抽取,从而避免了误差传播。此外,基于以上方法,对每个任务进行了形式化转换,并设计调整了神经网络模型结构。在公开数据集上对模型进行实验评估,包括一般事件抽取实验,无实体注释的论元抽取实验以及事件抽取的域适应实验。实验结果表明所提出的模型在一般事件抽取实验中事件类型分类与论元角色分类的F1值分别达到了74%以及59.7%,与当前事件抽取模型有着相当的性能,且在无实体注释论元抽取能力上F1值提升了至少1%,域适应的事件检测与论元抽取的F1值分别至少提升了0.6%以及1.9%。此外,将所提出的模型进行实际应用,与基线模型相比,抽取到的事件及论元数目增加了66.7%以及64%也表明了所提出方法的有效性。