随着自然语言处理从单文本内部转向多文本之间，作为文本间实体链接的纽带，跨文本指代消解越来越凸显其重要性。与传统的面向信息检索的跨文本指代消解不同，信息抽取中的跨文本指代消解不但要解决重名问题，更要解决多名问题。而目前中文跨文本指代消解研究方面，既缺乏相关基准语料库，更无从比较各种方法的优劣。本文从构建语料库开始，通过无监督的聚类方法和有监督的机器学习方法来研究中文跨文本指代消解的各种技术和方法，研究内容包括：1）在ACE2005中文语料库的基础上，采用自动生成和人工标注相结合的方法，构建了一个面向信息抽取的中文跨文本指代语料库，并对语料库进行了统计和分析，用信息论中的“困惑度”概念来揭示中文跨文本指代现象的分布规律，为后续的研究工作指明方向。2）分析了传统的无监督聚类方法在中文跨文本指代语料库上的消解性能表现。具体而言，在自行标注的ACE2005中文跨文本指代语料库上采用向量空间模型、实体表述以及将两者结合起来的相似度计算策略，再通过不同的聚类方法进行了中文跨文本指代消解。3）探索了分类方法和多种语义特征在中文跨文本指代消解系统中的作用。通过SVM分类模型来融合实体表述的构词特征、读音特征及各种内部和外部语义特征，把聚类问题转换成分类问题，从而来实现中文跨文本指代消解。在自行标注的跨文本指代语料库上的分析和实验表明：首先，在面向信息抽取的跨文本指代消解中，多名问题比重名问题更为严重；其次，传统的基于向量空间模型的聚类方法难于取得好的性能，而简单的表述匹配却可以取得较高的精度；因此，在表述匹配的基础上融合各类语义和非语义特征的分类方法取得了最好的性能。