随着科学发展和行业应用的实际需要,迫切要求在更深层次上对篇章进行理解。近些年伴随着自然语言处理研究任务的深入,针对短文本的自然语言处理技术越来越成熟。共指消解作为自然语言处理的关键任务之一,受到国内外学者的广泛关注。本论文拟针对篇章级别的共指消解任务,即指在同一篇文档中,对于任意两个表述,如果它们指向现实世界中的同一实体,则称这两个表述具有共指关系。当多个表述指向同一个实体时,则这多个表述构成一个共指链,在同一个共指链中任意两个表述都存在共指关系。目前,在现有的众多共指消解模型中,Lee提出的基于端到端共指消解模型大大减少了人的工作量,在不使用额外工具的同时利用端到端的神经网络技术有效的提高了共指消解模型的性能,这种方法使得该模型成为共指消解任务的经典模型之一。本论文通过分析该模型在共指消解任务中的优势和特点,并与其他共指消解模型进行对比分析,最终选用该模型为本论文的基线模型。本论文研究的任务就是通过捕捉单词含义和上下文语境,挖掘文档中存在的共指关系,在英文篇章中构建共指消解模型,帮助机器更有效地理解和分析文本。论文结合深度学习理论和自然语言处理技术,从数据集的语言特点出发,以端到端共指消解模型为基线模型分别从单词类型、单词特征和上下文特征探索表述之间的联系,并分析可改进的方案。提出端到端共指优化模型,即加入一元特征,减少数据稀疏性;引用具有更加强大特征提取能力的Bert预训练语言模型,给编码器提供更好的向量表示,获得含有更丰富的语义知识的向量,以解决一词多义问题;同时重新设计候选先行词的得分函数和注意力机制的对齐函数,以获得更多的语义信息进而提高篇章级共指消解模型的性能。论文提出基于双向多维注意力机制的共指消解模型,即在端到端优化模型的基础上添加文档表示层。使用双向LSTM和自注意力机制充分捕捉短语之间的语义依赖性,生成句子表示。使用双向多维注意力机制捕获句子间的语义特征,生成文档表示,从而充分考虑篇章中的局部特征和全局特征,构建精细、准确的共指链。通过多组实验探讨了LSTM的层数、预训练语言模型的选取和添加一元特征等改进方案对共指消解模型性能的影响。并通过实验证明本论文提出的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,其中准确率和召回率都有较为显著提升。