随着互联网和移动通信技术的迅猛发展,无结构化数据呈现爆发式增长。事件检测已经成为快速获取与管理数据的重要技术之一,旨在从无结构化的数据中检测事件触发词。目前,大部分事件检测方法基于句子级信息展开研究,缺少对篇章级信息的利用,导致无法有效检测出依赖于篇章级信息的事件触发词。因此,本文针对篇章级信息在事件检测任务中的应用进行了深入的研究。具体研究内容分为以下三个方面:（1）针对句子与其上下文关联问题及事件触发词在特定语境中存在的语义模糊问题,本文提出了一种结合上下文信息的事件检测方法。首先基于神经网络模型设置三个窗口,分别构建当前句及其上下句的语义表示;然后将句子级表示拼接起来,再利用神经网络模型学习句子的上下文表示;最后融合句子级表示和上下文表示对事件触发词进行分类。实验结果表明,句子的上下文特征能够提升事件检测任务的性能。（2）针对句子间单词的远距离依赖关系问题,本文提出了一种基于句间关联图模型的事件检测方法。首先利用文本的词信息、词性信息和依存信息分别构建单词的词汇、形态和语法关系图;然后利用语篇关系构建句子关系图;最后通过图卷积神经网络学习句子间的依赖信息,建模事件触发词与触发词,论元与触发词之间的关系,从而进行事件检测。实验结果表明,利用句子间信息构建的关系图有效地关联了篇章范围内不同单词和句子的信息,显著提高了事件检测的召回率。（3）针对事件触发词与全局文档信息的相关性,本文提出了一种基于文档注意力机制建模的事件检测方法。首先用神经网络模型学习文档首句信息、句子信息和全局文档信息;然后对句子添加注意力机制得到深层语义信息,从而为当前句中与全局文档信息相关的重要内容添加更高的权重;最后融合句子信息和深层语义信息进行事件检测。实验结果表明,该方法有效地学习了全局文档的信息,增强了事件触发词的表现力,提高了事件检测任务的性能。本文针对事件检测任务中存在的问题,提出了三种解决办法,验证了篇章级信息的有效性,可以为事件检测任务的研究提供参考。