信息技术的不断发展,各个行业会产生海量的文本数据。与此同时,使用自然语言处理相关技术挖掘数据间的联系,潜在的语义关系愈发重要且充满挑战。共指消解任务是自然语言处理领域的重要研究内容,广泛应用于自动问答,文本摘要,阅读理解,知识图谱等领域,具有重要的学术研究价值和商业使用前景。目前,在深度学习框架下的共指消解研究正在成为主流的研究方法,主要集中在如何使用基于句中的词嵌入信息有效识别实体和实体之间的共指关系。解决共指消解问题仅考虑词级别的信息有局限性,还需考虑文档中上下文的信息以及句子间的逻辑关系。因此本文为提高共指消解模型精度,从以下两个方面对共指消解展开了研究。（1）融合神经网络与全局推理的实体共指消解。针对文本内实体信息复杂及指代信息具有不明确性且对于文档中上下文全局特征考虑不周的问题,为探索更有效的共指消解研究方法,提出融合神经网络与全局推理的实体共指消解算法。首先利用神经网络模型抽取出文档中的实体和其前指词,其次结合句子的上下文信息进行全局推理,将此推理结果加入到神经网络模型中,从而提高实体共指消解的精确度。全局推理是对共指链进行文档级的全局优化与推理,可以结合句子间内在联系进行推理,同时挖掘实体的上下文语义信息。模型在Onto Notes5.0数据集上进行的实体共指消解实验结果,证明了该方法的有效性。随后又通过使用Bert-base预训练模型替换端到端共指消解模型中联合词向量的方法进行实验,该结果又验证了本文方法在共指消解任务上的有效性。该方法能有效地提高共指消解性能和更好地理解文本语义信息,最终模型性能在CONLL评测标准下F1值达到74.76%。比较本模型与近几年其他的共指消解模型实验结果,验证了本方法的有效性。（2）融合知识库信息的命名实体识别与共指消解联合模型。命名实体识别与共指消解都取决于实体的相邻文本信息的学习,目前二者在单个独立任务方面取得了最先进的结果,实际上二者也保持了高度的联系。为了提高实体共指消解模型精度,我们考虑一个基于知识库的命名实体识别与共指消解联合模型。该联合模型是基于跨度的端到端的网络架构,以全局推理优化后的共指消解算法模型为基础,使用维基数据作为外部知识库,融合了背景知识库中的实体表示,将命名实体识别任务与共指消解任务联合起来,实验证明该方法有效提升了联合模型中的任务精度。并且设置消融实验,以探讨全局推理与知识库模块以及注意力机制对模型性能的影响。将F1值作为评价指标使用,实验结果表明,本文的方法具有较好的共指效果。