实体分类任务是构建知识图谱的必要步骤。到目前为止,在实体分类方向已经有了大量的研究工作,但是这些方法通常只能获取实体的粗粒度概念信息,这对于知识图谱的构建还有基于知识图谱的应用来说是远远不够的。由于中英文的差异性,这种情况在中文实体分类任务中表现的更差。在本文中,我们提出了一个面向中文百科知识图谱的实体细粒度分类算法。我们以百科词条为实体,构建了一个知识抽取框架,并从中抽取实体信息,然后通过数据清洗工作来获取高质量的结构化数据,最终将数据以三元组的形式存储到知识图谱中。为了获取高质量的实体细粒度概念,我们不仅从实体的标题标签和信息框中挖掘出实体的高质量、细粒度概念信息,而且将从摘要中抽取的概念信息和人工标签作为含有噪声的候选细粒度概念集合。本文首先从标题标签和信息框中获得可靠的实体概念信息;然后将实体、属性、属性值和概念组织到一个信息图中,并从图中获取每个候选(实体-概念)对之间的一些路径信息;最终通过基于卷积神经网络的Path-CNN二分类模型识别出更多具有instance-of关系的(实体-概念)对。通过大量实验,我们发现与以前的方法和DBpedia知识图谱相比,本文提出的模型可以为知识图谱中的实体挖掘出更多高质量、细粒度的概念信息。