随着自然语言处理领域的发展,事件检测已经成为自然语言处理中重要的信息抽取任务。事件检测的结果是其他任务需要的重要知识,同时也是文本搜索,事件知识图谱等应用的重要知识补充。近年来,基于依存句法信息和图卷积神经网络（GCN）的方法已被广泛用于事件检测任务中。对于事件检测,基于依存弧的图卷积网络可以捕获候选触发词和论元之间的依存语法信息。但是,现有的基于依存语法图的GCN的方法存在着图中不平衡和信息冗余的问题。为了捕获图中的重要信息,并且进一步精炼信息,本文提出带跳转连接的多图卷积网络,简称MGJ-ED。在多图卷积网络模块添加了一个从依存图中分离出来的核心子图,该依存图通过GCN在广度上选择重要的一跳邻居节点的句法信息。在跳转连接机制中,聚合了有着不同注意力得分的不同GCN层的不同表达,在深度上学习不同跳数的邻居节点的语法信息的注意力权重。与其它事件检测模型相比,本文的模型在广泛使用的ACE 2005数据集上,提升了2.5%召回率和2.0%F1-measure得分。实验结果表明了本文的方法的优越性。针对以上创新点撰写的论文已被国际会议录用发表。在本论文中设计并开发了融合依存信息的事件检测系统,该系统使用前后端分离框架设计,使用MongoDB数据库系统,实现了前沿知识浏览和文本事件检测等功能。同时,本论文将所研究的算法模型落地应用到了事件检测系统。对融合依存信息的事件检测系统进行的相关测试都已经通过,系统响应时间在500ms之内,能够在1s内给出事件检测的结果。融合依存信息的事件检测系统可以实际使用。