细粒度实体分类（Fine-grained Entity Typing,FET）旨在识别纯文本中实体的语义类型,该任务是自然语言处理领域中的一项基础任务。实体的类型分类是包括知识图谱补全、关系抽取和共指消解等更上层自然语言处理任务的重要基石。现有的细粒度实体分类研究主要集中在处理远程监督带来的噪声标签、优化实体提及的特征表示和利用类型标签之间的依赖关系这三个方面。但是,大部分模型仍然存在以下两个问题:1)实体类型数量的增多制约了实体类型分类模型的分类性能。随着类型数量和问题复杂性的增加,目前的神经网络模型难以给实体提及从大量的实体类型集中筛选出符合上下文语义的类型标签;2)仅关注单一信息源提取实体提及级别的特征。当前的方法未充分利用实体提及的多源辅助信息,无法有效建模实体提及和类型标签之间的复杂相关性,难以对只有稀缺信息的实体进行类型分类。为了解决这些问题,本文基于多源信息融合,提出了融合复制机制的细粒度实体分类方法。本文的主要工作和创新点如下:（1）针对实体类别数量多难以正确分类问题,本文引入复制机制,提出了基于复制生成框架的模型用于细粒度实体分类,模型可以直接从知识图谱中复制关键信息。具体来说,该模型包括复制模型和生成模型两个子模块,前者利用复制机制从知识图谱中获得复制类型词汇表,然后在此表的范围内预测实体类型的概率;而后者从整个数据集中的实体类型词汇表中推断出实体类型概率。最终将两个概率分布结合起来作为最终的类型预测。因此,模型可以参考复制模型中的类型复制词汇表来识别实体提及的语义类型,减轻模型的感知混淆。此外,本文基于层次分类方法执行从粗粒度到细粒度的类型推断策略,自上而下的在层次标签树上搜索实体提及的候选类型标签,从而缓解了远程监督带来的具体噪声标签的负面影响,进一步提高了模型的分类准确率。（2）针对辅助信息未能充分利用问题,本文提出了基于多源信息融合的提及表示方法,能在只有稀缺实体信息的情况下提高模型的泛化能力。具体来说,该方法首先利用神经网络来生成上下文和实体提及表示,然后根据实体提及使用实体链接来获取提及的背景知识,通过融合实体提及信息、提及上下文信息和背景知识来优化提及的表示质量,从而提高复制模型的分类效果。该方法增强了实体提及上下文与类型标签之间的语义联系,使得模型能充分利用实体的背景知识对只有稀缺信息的实体进行类型分类,克服了以往单一信息源提取的特征使得模型泛化能力不足的问题。本文在常用的基准数据集上进行了大量的实验,通过对比实验、消融研究和样例研究对本文所提出的Copy Fet模型的有效性进行了验证。实验结果表明,本文提出的细粒度实体分类模型Copy Fet超过了现有最先进（State-of-the-Art）的方法,在FIGER和BBN数据集上的准确率分别达到了76.4%和83.6%。