事件检测任务是事件抽取任务中重要的一环,其目的是提取出一个句子中可以触发事件的触发词,并判断所触发的事件类别。目前,事件检测的难点在于一词多义和多事件句子,一词多义是指同一个词在不同上下文中可能会触发不同类型的事件发生,而多事件句子则是同一个句子中可能存在着多个事件。为了能够更好地同时解决这两个问题,本文提出一个全新的基于深度语境化词表征的注意力层次神经网络模型,该模型可以学习深层的语义信息、组块信息及抽象特征,其中,注意力机制能够对相关有用的信息赋予更高的权值,并弱化干扰信息的影响,而深度语境化词表征能够为模型提供更多语法语义特征信息,有效解决词语二义性问题。从而提升模型的识别性能。在ACE2005英文语料库上进行实验,实验结果表明,该模型的F1值达到74.4%,高于现有最优模型的性能。本文的研究工作主要包括以下几个部分:(1)研究基于传统词向量的层次神经网络模型,将双向长短期记忆网络和动态卷积神经网络引入模型,探索不同词向量维度、输入特征、模型结构对事件检测性能的影响,并将最优结果作为本文的研究基础。(2)在模型中引入注意力机制,探索不同注意力机制对模型的影响,研究表明选择适当的注意力机制算法可以提升模型性能。(3)提出基于深度语境化词表征及注意力机制的层次神经网络模型,探究深度语境化词表征对本模型的影响,研究表明采用深度语境化词表征代替传统词向量能够使模型性能进一步提升。(4)实验比较本文提出的三个模型及前人提出的模型在多义词任务和多事件检测任务中的性能,实验证明,本文提出的模型在多义词任务和多事件检测任务中的表现均有显著提升。