近年来,伴随着网络上的信息数量呈爆炸性增加,信息抽取的研究受到了普遍的重视,而事件检测又是信息提取中的子任务,成为了自然语言处理研究的重点,并出涌现了许多成果。作为自然语言处理中的一种有效手段,依存句法分析能够解析出文本中词与词之间的依赖关系,而图神经网络（GNN,Graph Neural Network）是近年来在自然语言处理领域中的成熟的深度学习技术之一,所以不少学者尝试将二者方法结合以提高事件检测效果。然而,现有利用图神经网络对依存关系建模的方式大部分仅考虑了依存关系结构信息,忽略了依存关系标签信息。本文针对在事件检测中触发词识别和事件分类的两个子任务中分别存在的问题,设计了两种方法来完成英文事件检测。本文的主要工作如下:（1）融合多跳关系标签和依存句法结构信息的触发词识别。该模型主要针对现存方法很难充分捕获词与词之间在依存关系上的相关性,设计了一种新的多跳搜索算法,旨在获取触发词与其有关联的词之间的多跳远距离联系。并且,通过MOGANED模型对依存句法树的多阶结构信息建模,同时考虑了依存关系的多跳关系标签信息与依存句法树的多阶结构信息,以充分提高触发词的句法特征信息,提升触发词识别率,进而提高事件检测性能。（2）基于依存关系感知的分层模块化事件分类。以往的事件分类是将细粒度的事件类型看作是独立分散的任务,忽略了细粒度的事件类型各自拥有专属的上层大类事件类型信息。因此本文设计了一种事件分层模块化网络,通过利用全局注意力机制获取触发词所属的上层粗粒度的事件类型信息。然后,通过利用图卷积神经网络动态感知词与词之间的依存关系,获取事件触发词所属的细粒度的事件类型信息。最后,通过加权平均将细粒度的事件类型与粗粒度的上层事件类型信息进行混合,旨在缩小事件分类时的函数求解空间,提高事件分类效率,进一步提高事件检测性能。实验证明,在触发词识别中,本文所提出的新的多跳算法使触发词识别效果在F1值上提高了近2%,证明了算法的有效性。在事件分类任务中,本文提出的分层模块网络在F1值上达到了79.3%,证明了该方法也是有效的。