随着计算机技术日趋成熟以及互联网技术的快速发展,各类信息呈指数增长,人们面对巨量的异构信息,很难从中获取自己想要的内容。正确的抽取、处理、归类上述信息并使之便于检索,是当前自然语言处理技术研究的热点和难点。指代消解是实现上述研究的关键子任务之一,因此越来越受到研究者们的重视。从广义上来说,指代消解能消除文本中的指代歧义,也能将不同源信息中对现实世界中同一实体的不同描述关联起来,因此广泛应用在其它自然语言处理、数据库、机器视觉等领域。本文针对中文指代消解方法极其在图像目标检测领域的应用进行深入研究,主要工作如下所示：（1）通过对比分析实验得出六个影响中文指代消解模型的重要结论。在ACE2005和OntoNotes5.0中文语料上对六类经典的中文指代消解模型进行同平台、同语料、同特征的测评。通过测评结果比较了各类模型的性能,同时分析和探讨了影响中文指代消解模型精度的各种因素,指出了在缺少中文标注语料的情况下值得进一步研究和探索的指代消解模型,并在此基础上展开进一步的工作。（2）提出一种基于测度优化的Laplacian SVM算法用于中文指代消解。相比于英文,中文指代消解标注语料库较小,未标注样本远多于已标注样本。为了有效的挖掘已标注样本和未标注样本的相似性和关联性,更好的推导指代消解模型的分类边界。提出一种基于数据驱动学习最优测度Laplacian SVM算法,该算法首先通过优化样本对之间的相似性约束条件和引入Fisher判别项,增大同类样本问的相似性,并突出强判别能力的特征。此外,提出核嵌入的测度优化方法将以上线性测度优化推广到非线性空间,有利于Laplacian SVM利用核函数实现非线性分类。上述方法在ACE2005和OntoNotes5.0中文语料上进行测评,结果表明,所提出的方法能取得比基于SVM的实体表达对模型相当甚至更好的测评效果,且所需的训练样本更少,这在标注语料不足的语言中具有显著的意义；同时,该模型的消解效果也明显地优于其它四类经典的半监督学习方法。（3）提出一种改进的层次过滤模型用于中文指代消解。在原始层次过滤模型的框架下,首先增加一个语义相似度匹配层,该层通过引入Web语义知识弥补了中文语义知识库较小的不足；其次,针对中文单复数识别较低的特点,对原始模型中的单复数识别层进行修改并以此提高模型的代词消解精度；最后对原始模型的待消解项识别层进行相应修改,使之提高中文指代消解模型的性能。改进后的模型在ACE2005中文语料上对各个过滤层次的贡献度进行叠加式测评,结果表明,所修改和增加的层次对模型都有一定的贡献；此外,所提出的模型与四类基准系统在ACE2005中文语料上进行比较和测评,结果表明,所改进的层次过滤模型的消解效果要显著优于四类基准系统。（4）提出一种联合文本和图像信息的行人目标检测方法。图像和文本信息是人类感知世界的关键因素。针对目前方法在行人检测这一图像目标检测问题存在的缺陷,在传统纯视觉方法的基础上,引入文本信息辅助机器视觉提高图像行人目标检测精度。提出通过确定图像候选框与文本实体表达之间的共指关系,实现文本与视觉信息的融合。该方法首先利用图像解析方法初步获取图像目标的候选框,其次通过文本分析方法获取文本中有关图像目标的实体表达,并提出一种马尔科夫随机场模型用于文本信息和图像信息之间共指关系的推断。模型在增加了场景描述文本的加州理工大学行人检测数据集上进行了测评,结果表明,相比于纯视觉的行人检测基准方法HOG-SVM,所提出的方法在不同尺度目标、受遮挡目标检测上效果均有明显的提升。且该方法在只使用了基本的HOG特征和线性SVM分类器的情况下,性能均等同或者优于其余三种经典的纯视觉行人检测方法。此外,模型也能在文本的基础上联合图像信息提高文本的指代消解模型的精度,在所标注的描述文本上的测评,结果表明,模型中的图像对文本的反馈信息能提高指代消解精度约4%。