事件检测是政府和企业掌握敏感话题、把控舆情动态的重要手段,能够使网络社会更加和谐进步。传统媒体的事件检测方法适用于规范书写的新闻报道文章,社交媒体的事件检测方法适用于稀疏性、动态性、社会性的短文本,这两种方法都需要对文本进行处理,而文本处理过程是繁琐和效率低下的。通过网络演化进行事件检测具有简洁、高效的特点,但直接建立网络演化模型只宏观地分析了网络演化,忽略了节点的演化情况,从节点的微观角度能更加准确的分析网络演化。本文提出了从节点演化角度利用链路预测技术对社会网络进行事件检测的有效方法。针对基于最佳链路预测指标的方法存在敏感度不高和事件检测稳定性较差的问题,提出了基于节点演化分阶段优化的事件检测方法（Event detection method based on node evolution staged optimization,NESO＿ED）。由于网络演化过程中所有节点不一定遵循相同的演化机制,所以在进行网络演化分析时采用节点最佳的链路预测指标代替固定统一的链路预测指标。在选择节点最佳链路预测指标时,将网络演化阶段划分阶段,针对不同阶段的特征采用不同的优化方法,更好地量化网络演化。在VAST、Dept1和Dept2三个数据集上进行实验,分析了网络演化过程中节点最佳指标数量总体占比情况,以及各阶段节点最佳指标数量的变化情况。通过实验发现该方法有很高的敏感性,稳定性也有所提高,适用于事件发生对网络结构改变影响较小的情形。针对基于统一链路预测指标的事件检测方法稳定性差、忽略节点异常演化和难于处理复杂网络结构的情况,提出了基于节点演化网络粗粒化的事件检测方法（Event detection method based on coarse-grained node evolution network,NENC＿ED）。由于节点在网络平稳时趋向于选择固定的演化机制,在网络波动时改变了演化机制,因此异常节点对网络演化具有重要意义,所以第一步便是提取网络演化过程中具有异常演化行为的节点。用户数据量的与日俱增使网络规模也日益变大,导致算法计算量大并且事件检测敏感性也不高,所以第二步是通过网络粗粒化来简化网络结构。最后在粗粒化处理的网络中引入异常演化节点进行事件检测。通过VAST、Dept1和Dept2三个数据集上进行实验,分析了网络演化过程中节点异常演化的数量变化情况,实验结果表明此方法具有很强的稳定性和较高的敏感性,适用于事件发生对网络结构改变影响较大的情形。