指代消解是自然语言处理的基本任务之一,对篇章的语义理解具有重要作用。现有研究主要集中于普通领域的文本,如:新闻通讯、广播对话、百科和博客等,对法律领域的指代消解研究关注较少。不同于普通文本,法律文本表述严谨、高度专业、富含知识。在庭审记录文书中,发言人具有一种至多种代称表述,实现发言人实体间的指代消解,对于法律文本分析具有重要意义。基于此,本文提出了一种融合标签表示的端到端指代消解方法,联合地进行实体识别与指代消解。本文主要从三个方面展开讨论:1)针对与发言人相关的代称实体、名称实体与诉讼地位实体,将实体间的关系对应形式化为篇章级的指代消解问题。实验性地探讨了两种指代思路,分别是代称实体到名称实体的指代与代称实体到诉讼地位实体的指代。根据实体相关性的实验结论,设计标签策略,将诉讼地位的预定义类别信息融合到名称实体的标签中,针对名称实体与代称实体实现端到端的指代消解。2)基于双重打分机制的串行指代消解模型。本文将该任务分解为实体识别与指代消解两个步骤进行,首先,采用序列标注模型识别实体;然后,构建实体间引用信息,通过图卷积神经网络融合到实体表示中;最后,结合前馈神经网络与双仿射注意力机制对候选对的不同表示进行打分,考虑候选对中回指词与先行词的依赖关系。3)融合标签信息的端到端指代消解模型。基于串行模型的实验性结论,联合地进行实体识别与指代消解,首先,使用跨度短语动态剪枝模块,保留置信度高的跨度短语作为候选实体;其次,编码实体标签表示,计算当前回指词与先行词标签表示的相似性,将相似度得分计入候选打分模块;最后,使用双重打分机制,为候选对计算最终得分。标签信息的融入,可有效缓解实体比例不均衡的问题,充分利用代称实体与诉讼地位实体的相关关系,提升模型对不同类别实体的共指预测能力。在庭审记录文书数据集上的实验结果表明,本文提出的端到端指代消解方法能合理地建模发言人实体的指代消解问题,相比基线模型,实验结果提升2至7个百分点,达到75.35%的F1值。缓解了流水线模型中的错误传播问题,实现了子任务间的信息共享,证实了本文建模方法的有效性。