针对基于双向长短期记忆网络-条件随机场（BiLSTM-CRF）的事件抽取模型仅能获取字粒度语义信息，可学习特征维度较低致使模型上限低的问题，以开放领域的中文公共突发事件数据为研究对象，提出了一种基于命名实体识别任务反馈增强的中文突发事件抽取方法FB-Latiice-BiLSTM-CRF。首先，将Lattice（点阵）机制融合双向长短期记忆（BiLSTM）网络作为模型的共享层，获取句子中的词语语义特征；其次，增加命名实体识别辅助任务，以联合学习和挖掘实体语义信息，同时将命名实体识别任务的输出反馈到输入端，提取其中实体对应的分词结果作为Lattice机制的外输入，以减少该机制自组词数量大带来的运算负荷并进一步强化对实体语义特征的提取；最后，通过最大化同方差不确定性的最大高斯似然估计方法计算模型总损失，从而解决多任务联合学习产生的损失不平衡问题。实验结果表明，FB-Latiice-BiLSTM-CRF在测试集上的准确率达到81.25%，召回率达到76.50%，F1值达到78.80%，较基准模型分别提升7.63、4.41和5.95个百分点，验证了该方法对基准模型改进的有效性。