La detección de eventos es una sub tarea importante de la extracción de información, que tiene como objetivo identificar desencadenantes y reconocer tipos de eventos en el texto. Los estudios previos de vanguardia que utilizan redes neuronales gráficas (GNNs) se aplican principalmente para obtener características de larga distancia del texto y han logrado un rendimiento impresionante. Sin embargo, estos métodos enfrentan problemas de suavizado excesivo y destrucción de características semánticas, al contener múltiples capas de GNN. Por estas razones, este artículo propone un modelo GNN mejorado para la detección de eventos. El modelo primero propone un módulo apilado para enriquecer la representación del nodo y así aliviar el suavizado excesivo. El módulo agrega vecinos de múltiples saltos con diferentes pesos apilando diferentes GNNs en cada capa oculta, de modo que la representación de los nodos ya no tiende a ser similar. Luego, se diseña una red de retroalimentación con un mecanismo de compuerta para retener información semántica efectiva en el proceso de propagación del modelo. Finalmente, los resultados experimentales demuestran que nuestro modelo logra resultados competitivos en muchos indicadores en comparación con los métodos de vanguardia.