指代表达理解是自然语言处理领域最具挑战性任务之一。给定一段指代表达的文本（例如“桌上的苹果”）以及一幅图像,指代表达理解任务旨在理解文本“桌上的苹果”中的指代关系,然后给出图像中所指代的“苹果”的位置。现有的指代表达理解模型文本处理粒度基本都是语句级,这种粗粒度的处理方式会损失语句中的指代关系。同时,现有指代表达理解模型的推理过程缺乏可解释性,阻碍了其推理能力的提升。因此,如何采取更细粒度的方式处理文本并且解释模型的推理过程,将是提高模型性能以及推理能力的关键。针对上述问题,提出了基于实体推理与对齐的细粒度指代表达理解模型。通过语义角色标注与关系抽取的方式,从指代表达理解任务的文本提取出可用于推理的关系三元组（主体,关系,客体）,从而细化了文本处理粒度,使模型能够应对复杂语句。此外,使用Transformer模块将图像特征与文本特征的进行融合,并通过掩码语言建模、掩码区域建模和图文匹配将文本特征与图像特征进行初步对齐。然后在图文特征初步对齐的基础上,提出基于注意力机制的文本中实体推理方法,并将推理得到的结果继续进行二跳以及多跳的推理。最后,在推理出主体的基础上实现主体与图像中区域的对齐。经过大量实验验证了所提出的基于实体推理与对齐的指代表达理解模型的有效性。相比于传统模型,所提出模型在Refcoco、Refcoco+和Refcocog数据集上的准确率平均提高了约1.8%。此外,通过针对关系三元组元素的消融实验,关系三元组各个元素对提升模型性能的必要性。通过超参实验,确定了本文模型的最佳参数,最后通过将本文模型中的注意力权重进行可视化,说明了本文模型的可解释性。