伴随大数据时代的发展,互联网中出现越来越多的实体、不同的实体指称和更加细致的实体类型。而命名实体识别任务只能为实体指称分配粗粒度的实体类型标签,因此如何根据不同的实体指称分配细粒度的实体类型标签成为研究的热点问题。在给定实体指称及其上下文的条件下,细粒度实体分类任务为实体指称分配一个或多个类型标签,而且类型标签之间通常具有一定的层次结构。细粒度的类型标签为实体指称提供了更多的语义信息,能够为关系提取、事件提取等任务奠定良好的基础,更有助于提高下游问答系统、知识库完善等自然语言处理任务的准确率、工作效率和可信度。目前大多数细粒度实体分类采用远程监督的方式,从蕴含丰富信息的知识库中提取有关实体指称的类型标签信息,并将实体在知识库中的所有类型标签返回给实体指称,此过程中可能会引入噪声标签。本文以减轻噪声标签对分类结果的消极影响,提高细粒度实体分类方法的准确率为目的,对细粒度实体分类任务中噪声标签问题进行研究,主要研究内容如下:（1）从模型增强的角度出发,利用记忆网络模型联合学习实体指称上下文及类型标签,建立实体指称上下文与类型标签之间的关联性,以充分提取实体指称上下文与类型标签之间的重要信息,为分配符合上下文语义的类型标签提供指示性信息。其次,为了缓解噪声标签的消极影响,使用变形的铰链损失函数和变形的层次损失函数,通过调整不同的参数权重,能够有效减轻噪声标签对细粒度分类模型整体性能的负面影响。与此同时,引入类别平衡损失函数,动态调整不同标签损失值的权重,进一步优化损失函数。最后,利用L2正则化函数有效避免细粒度实体分类模型对噪声标签的过拟合,从而提升细粒度实体分类模型的整体性能。（2）从数据增强的角度出发,根据实体指称对应的类型标签数量,将数据集划分为干净集和噪声集,并且对于两个训练数据集构建不同的损失函数训练细粒度实体分类模型。由于实体指称与类型标签之间存在关系特征,类型标签与类型标签之间也具有相似性和层次性特征,因此可以利用特征生成器提取有效的实体指称-类型标签特征和类型标签-类型标签特征,以辅助实体指称上下文与类型标签之间的关联特征,构建完整特征为实体指称分配更符合语义的类型标签。最后,在处理实体指称上下文的嵌入层中引入对抗训练,将其作为一种正则化手段,不仅能有效避免细粒度实体分类模型过拟合噪声标签,而且有助于提高细粒度实体分类模型应对噪声标签的鲁棒性。