Hawkes过程是一种广泛应用于建模序列事件发生动态（即事件发生机制）的流行框架，常见于社会扩散等众多领域。在现实世界场景中，事件之间的到达时间间隔通常具有高度不规则性。然而，现有的基于神经网络的Hawkes过程模型不仅难以捕捉这种复杂的不规则动态行为，而且由于其大多基于为规则离散输入设计的神经网络，往往需依赖启发式方法来计算事件的对数似然值。针对这一问题，本文提出基于控制微分方程的Hawkes过程（HP-CDE），该方法引入神经控制微分方程（neural CDE）技术——一种连续时间RNN的类比架构。由于HP-CDE能够持续读取数据，因此一方面可有效处理具有非均匀时间间隔的不规则时间序列数据，完整保留其时间空间的不规则特性；另一方面，能够精确计算事件的对数似然值。此外，由于Hawkes过程与神经CDE均最初用于建模复杂的人类行为动态，基于神经CDE的Hawkes过程在刻画此类事件发生动态方面表现出显著优势。在四个真实世界数据集上的实验结果表明，本文方法在性能上显著优于现有主流方法。