En la actualidad, no existe una definición uniforme de esquemas de anotación para la extracción causal, y los métodos existentes están limitados por la dependencia de las relaciones en largos intervalos, lo que dificulta la extracción de oraciones complejas como las relaciones multicausales y las relaciones causales anidadas. Para resolver estos problemas, se propone un método de anotación de entidades de cabeza a cola, que puede expresar la semántica completa de relaciones causales complejas y describir claramente los límites de las entidades. Con base en esto, se construye un modelo causal, RPA-GCN (redes de convolución gráfica de posición de relación y atención), que incorpora GAT (red de atención gráfica) y percepción de ubicación de entidades. La capa de atención se combina con un árbol de dependencia para mejorar la capacidad del modelo de percibir características relacionales, y se construye una red de convolución gráfica bidireccional para capturar aún más la información de interacción profunda entre entidades y relaciones. Finalmente, el clasificador predice de manera iterativa la relación de cada par de palabras en la oración y analiza todos los pares causales en la oración mediante una función de puntuación. Los experimentos en la tarea 8 de SemEval 2010 y el conjunto de datos Altlex muestran que nuestro método propuesto tiene ventajas significativas en la resolución de la extracción causal compleja en comparación con los métodos más avanzados.