近几年之内,互联网渗透于生活各处,随之而来的是网上充斥着海量的数据,使网络上的信息变得冗杂,知识图谱的出现能够解决此问题。知识图谱是以图的形式表现客观世界中的概念和实体以及它们之间关系的知识库。知识图谱的构建主要分为四大部分,分别是知识抽取、知识融合（实体对齐）、数据模型构建以及知识推理。共指消解作为知识融合的关键部分,在构建知识图谱中起着重要的作用。共指消解是一项能够将知识图谱中的不同描绘合并到一起的技术。共指消解方法包括基于规则、基于机器学习、基于深度学习的方法。目前共指消解方法存在以下问题:首先,大多数传统的共指消解模型采用句子本身的语法规则、句法结构或者是分类聚类方法,并没有应用文章中的深层语义;其次是传统的共指消解方法无法顾及到文档中上下文的全局知识和全局特征,会出现断章取义的情况;最后大多数共指消解模型只能应用于某一领域,泛化能力不强;除此之外,本文也尝试性的应用多种深度学习模型解决共指消解问题。针对以上问题,论文结合深度学习理论和自然语言处理技术,采用了基于端到端的共指消解方法,不仅能够最大限度的利用文章中的语义知识和先验知识,解决全局知识、全局特征囊括不足等问题,而且改进了共指消解的泛化能力,使模型效果提升,并且分析可改进的方法,提出四种优化方案,即加入全局特征、代词特征、加入动态词向量以及性能优化,分别从特征和计算成本上对模型进行优化。模型充分考虑文档中的局部特征和全局特征,构建精细、准确的共指链,通过参数讨论、多组实验探讨了特征添加以及计算性能优化对模型的影响。随后,通过改变模型结构,论文又提出基于transformer的端到端的共指消解模型,该模型将端到端的共指消解模型span的编码部分替换成transformer进行实验,通过实验证实该模型相比基线模型和目前的较为经典的共指消解模型,在效率和性能上均有所提高。