共指消解旨在识别文本中指向同一实体的不同表述,在多项高级自然语言任务中起到重要的基础支撑作用。随着自然语言处理的快速发展,越来越多学者将深度学习应用到中文共指消解的研究中。然而,目前基于深度学习的中文共指消解模型往往采用静态词向量和循环神经网络对文本进行编码,无法很好地建模文本的上下文语义。此外,这些模型只关注表述的局部特征,忽略了实体信息特征对于共指消解任务的重要性。针对上述问题,本文提出一种基于预训练语言模型和实体信息增强的端对端神经网络中文共指消解模型,采用短语排序的思想,将文本中的短语当作潜在的表述,进行后续的消解操作。该模型使用中文预训练语言模型BERT-wwm-ext作为文本编码层,充分学习文本的深层语义特征,获取语义知识更丰富的文本向量表示。此外,为了模型在消解过程充分考虑全局特征,使用多次迭代的方式将消解结果通过门控机制对表述的向量表示进行优化,从而加强实体信息在消解过程中的影响。实验结果表明,本文提出的中文共指消解模型在Onto Notes 5.0中文数据集上取得了68.88%的平均F1值,对比当前主流方法有较大的提升,可以有效地提升中文共指消解任务的效果。此外本文还通过设计多组对比实验,证明融入预训练语言模型和全局实体信息特征都可以有效地提升模型的性能。最后,基于提出的神经网络中文共指消解模型,本文实现了一个中文共指消解系统,详细介绍了系统的总体结构、模块设计和系统展示,在实践中探讨本文模型应用的可行性。