在一段文本中,一个实体可以有多种不同形式的实体表述,这些实体表述之间的关系被称为共指关系。共指消解任务的目标就是将文本中具有共指关系的对象整合到一起,从而消除指代表述的歧义性,增强机器对自然语言的理解。表述检测和共指关系计算是共指消解的关键步骤,当前端到端的模型实现在此方面还存在可优化空间。在表述检测方面,当前模型有着最大长度限制,其表述计分函数也可进一步细化,由于表述检测任务与共指消解任务存在着差异,仅依靠共指消解任务来训练表述检测模块非最优选择;在共指关系计算方面,模型并未考虑实体表述间的上下文关系。此外,高阶共指消解模型可进行更准确的关系计算,现有高阶算法的实现均依赖共指得分,但错误的共指得分可能会影响最终算法表现。基于上述问题,本文进行了以下方面的研究:1)提出SEUL（Start-End mention score and Unlimited Length）表述检测优化方案,通过无长度限制的实体表述检测策略,增加关于头尾向量的表述得分计算,提高了实体表述以及共指消解结果的召回,同时进行表述检测模块的预训练,使模块的表述检测能力得到加强,进一步提高整体性能表现。2)构建基于上下文匹配的共指得分。考虑到先行词（即被指代对象）可以取代与其具有共指关系的实体表述在文本中的位置,本文计算了先行词与实体表述上下文的匹配程度,来表征这一层面的共指关系,以此作为共指得分的一项补充,为共指关系的判断提供一个新的视角。3)提出基于胶囊网络的高阶共指消解算法:Capsule Merging算法。Capsule Merging算法无需共指得分的参与,仅通过胶囊网络的动态路由方式便可实现局部特征聚合,从中提取出相应的全局特征,之后将该全局特征引入到共指关系计算中,从而实现高阶共指消解模型。最后,本文以Onto Notes英文数据集作为实验数据,在基于Bert的端到端共指消解模型上进行了多组对比实验,证明了上述优化方案和Capsule Merging算法均能有效提高共指消解模型性能,并通过融合实验综合地验证了本文的各项工作,其总体性能优于其它对比模型。