在自然语言文本中存在着大量的因果关系,因果关系挖掘任务在信息抽取、关系推理以及事件预测等研究领域都起着至关重要的作用。随着深度学习的崛起,因果关系研究已从传统的模板匹配和机器学习方法,发展为训练神经网络实现抽取,不仅可以识别因果语句,还可以通过序列标注方法获取文本中的因果关系对,并且深度学习技术训练的神经网络模型可以显著地提升抽取准确率。同时,通过序列标注得到的因果关系可以更好地用于构建因果关系网等上层任务。本文主要利用深度学习和序列标注相关技术,研究从中、英文自然语言文本中抽取因果关系。首先,针对当前英文因果关系抽取研究中存在的边界划分能力弱、难以捕捉深层次因果语义特征的问题,将Relative Attention与依存句法图相结合,提出了Graph Relative Attention（GRAT）网络,并结合Dependency-Guided LSTMCRF框架构建了DGLSTM-GRAT-CRF模型,该模型具有较强的捕捉长距离依赖的能力,能够正确识别因果事件界限,可以更加准确地抽取英文文本中的因果对。其次,针对当前中文因果关系抽取中存在的语义表征不足、难以捕捉局部信息与长距离依赖特征的问题,本文利用Soft Lexicon技术在传统的依赖字符的序列标注模型中融合了词汇信息,将字符间所有可能匹配到的词汇并入相对应的字符编码中。同时,结合Star-Transformer设计了Soft Lexicon-Star-Bi-LSTM模型,该模型能够捕捉出远距离因果语义信息与局部特征,可以更加准确地抽取中文文本中的因果关系。最后,收集各种公开中、英文因果关系语料,构建了中、英文因果关系数据集。针对英文因果数据集标注方法不统一、语义表达不完整等问题,提出了一种基于依存句法关系的因果序列标注准则,该准则可以有效地解决抽取因果对语义表达不完整的问题。同时,对实验数据集按照标注准则进行了人工标注,构建了中、英文因果关系数据集。在中、英文因果关系数据集上,本文分别将构建的两种因果关系抽取模型与其他基准模型进行了对比,实验结果表明本文提出模型的性能优于对比模型。