基于观测数据发现变量背后的因果关系是许多学科所研究的重要问题。其中,事件序列作为一种重要的数据类型,是由连续时间域上的离散事件组成,常以各种行为记录,系统日志,异常告警等形式出现在经济、社会科学、通讯系统等应用场景中。基于事件序列发现不同事件类型之间的因果关系,能够帮助人们进行生成机制分析,根因定位,事件预测等研究。然而基于多变量事件序列数据,发现事件类型之间的因果关系是一项具有挑战性的任务。一方面,现有针对事件序列的因果发现方法存在难以引入因果先验,算法结果过于稠密的问题,在稀疏、时间精度低的数据上,难以保证结果的可靠性。另一方面,在许多现实世界的场景中,特别是在研究由拓扑网络产生的事件序列数据时,经常会遇到不同的事件序列样本间存在拓扑依赖的情况,在这种情况下一个事件不仅受到其历史的激励或抑制,而且还会受到其拓扑邻居的影响。而现有的方法,如多变量霍克斯过程,大多假设序列样本满足独立和相同的分布的假设,这使其无法建模描述事件序列之间的拓扑依赖关系,导致无法检测到拓扑网络中,跨节点传播的因果影响,从而引入混淆因子,造成因果结构的错误检测。针对现在方法存在的难以有效引入因果先验,结果可靠性不足的问题,本文提出了基于霍克斯过程的两步稀疏优化算法（HP＿TSSO,Hawkes Processes-Two Step Sparse Optimization）用于检测发现事件序列背后的格兰杰因果关系。HP＿TSSO算法通过构造基于贝叶斯信息准则的目标函数,保证因果结构稀疏性,并利用基于EM算法与爬山法的迭代优化算法,引入因果先验,进一步提高模型的可靠性。本文还通过将HP＿TSSO推广到离散时间域,解决了低时间精度事件序列数据的建模问题。而为了应对在拓扑事件序列上,不同序列样本间拓扑依赖所带来的检测结果不稳定的问题,本文对基于霍克斯过程的两步稀疏优化算法（HP＿TSSO）做了进一步的改进。本文先从卷积的角度出发重构了霍克斯过程,提出了针对拓扑网络事件序列的拓扑霍克斯过程模型（THP,Topological Hawkes Processes）,在拓扑维度的图卷积和时间维度的时域卷积之间建立了联系,填补了现有模型无法引入事件序列背后拓扑结构信息的空缺。进一步地,通过对HP＿TSSO进行推广,本文提出了一种基于拓扑霍克斯过程的两步稀疏优化算法（THP＿TSSO,Topological Hawkes Processes-Two Step Sparse Optimization）用于学习拓扑事件序列背后的格兰杰因果关系,在引入事件序列背后拓扑信息的同时,保证因果结构稀疏性。本文针对拓扑网络事件序列的因果关系发现问题展开研究,主要研究内容及贡献如下:1.提出了基于霍克斯过程模型的两步稀疏优化算法（HP＿TSSO）用于发现事件序列背后的因果关系,并将其推广到离散时间域上。在似然度的框架下,引入贝叶斯信息准则惩罚项作构造目标函数,并利用期望最大化算法以及爬山法,迭代优化模型的参数和因果结构,在保证优化效率的同时,有效地引入因果结构先验。2.提出针对拓扑网络事件序列的拓扑霍克斯过程模型（THP）。在霍克斯过程的基础上,以卷积的形式重构其强度函数,通过将霍克斯过程中时域的卷积运算推广到时空域,引入个体之间的拓扑信息,刻画拓扑邻居所产生的事件序列带来的影响,用于应对拓扑事件序列不满足独立同分布假设所带来的问题。3.对HP＿TSSO进行改进推广,提出了基于拓扑霍克斯过程模型的两步稀疏优化算法（THP＿TSSO）用于发现拓扑网络事件序列背后的因果关系。对比实验结果表明,本文提出的基于拓扑霍克斯过程模型的因果发现算法在模拟数据及真实数据上均优于对比算法,能够有效剔除冗余因果关系,引入拓扑结构信息,因果结构先验,发现事件序列背后的格兰杰因果关系。