21世纪被认为是生物医学的世纪。随着信息化技术和生物医学技术的发展,承载着人类知识和经历的医学文献以及以自然语言为载体的用户生成内容正呈现爆发式的增长。获取其中蕴含着的海量的、尚未得到充分利用的信息是以信息抽取为代表的文本挖掘技术在生物信息学中重要的研究和应用领域。其中生物医学事件作为对生物医学文本中实体及其相关概念间的多元关系,能够更加精确和细致的描述各种级别的医学、生物学作用和过程,使得围绕生物医学事件的研究成为近年的一项热点。本文研究关注于生物医学领域内事件研究中的两类基础任务,即事件检测及事件触发词的检测,针对社交媒体和医学文献文本数据的不同特点,着力解决检测任务中的相应问题。针对社交媒体文本中用户使用的多样表达形式,以及由之带来的未登录词问题,本文提出了一种结合字符级表示的深度神经网络方法用于事件检测。该方法通过引入字符级卷积神经网络学习社交媒体文本中不规则表示中蕴含的语义、词法以及情感信息。通过多通道的架构与词级别的向量化表示以及针对任务构造的其他特征共同用于神经网络模型的训练。实验表明该方法能够缓解单纯使用词级别表示的不足,相对于不同规模的预训练词表示均能够带来事件检测性能的提升。针对社交媒体文本标注资源规模小、噪声高的问题,本文提出了一种融合图嵌入的生物医学事件检测方法。该方法中社交媒体文本被构建为连通的图结构,从而在进行图上的序列采样过程中能够学习到更加丰富的文本上下文以及结构信息,弥补数据规模的不足。同时对抗训练方法被用来为训练样本添加微小的扰动,从而产生更具鲁棒性、适应噪声环境的检测模型。实验表明该方法能够较为显著的增加基于小规模语料集训练得到的事件检测模型的性能。同时该方法对于不同深度学习模型均能带来性能提升,具有较好的泛化能力。针对传统生物医学事件触发词检测方法过于依赖特征工程,以及由之带来的泛化能力不足的问题,本文提出了一种领域特征无关的事件触发词检测方法。该方法不依赖于此前研究中常用的第三方特征抽取工具或根据事件类型设计的特征。在特征抽取部分,仅从词表示、位置特征、词性特征等少数通用特征出发,利用卷积神经网络及注意力机制抽取更高层次的特征表示。在分类器部分,采用具有更强预测和泛化性能的极限学习机方法进行触发词预测。实验表明该方法能够在多种包含不同类型事件的语料集上取得良好的综合性能。针对生物医学文献中的事件类型繁多,不同类型样本数量差异巨大,造成的数据不平衡问题,本文提出了一种敏感度可控的事件触发词检测方法。该方法在特征抽取部分采用卷积神经网络与循环神经网络相结合的架构,由卷积神经网络抽取局部的特征再由双向长短时记忆网络抽取更长跨度的上下文特征。在触发词预测部分,采用了一种敏感度可控的支持向量机方法,通过改进目标函数,使得模型更加关注于少数类型样本的相关特征。实验表明该方法能够较好的平衡模型的精确率与召回率,在不平衡的数据集上取得了较好的触发词检测性能。