在大数据时代,各行各业每天都会产生海量的数据碎片。人们可以通过互联网获取想要的数据信息,但是人脑对信息的查询和存储能力有限,而知识图谱技术能够将复杂多样的信息进行结构化存储,简化人类对信息的检索过程。在知识图谱的构建过程中,共指消解技术可以替换掉文本中相对模糊的短语,从而帮助计算机更好地理解文本的内容,提升计算机对文本中信息抽取的效率。共指消解的目标是找出文本中指向现实世界中同一对象的短语。随着深度学习的快速发展,基于深度学习的共指消解模型是目前研究的主流方向,但是这些方法通常需要较长的训练时间和大量的计算资源,仍然存在可以优化的空间。本文结合知识图谱的特点的对中文共指消解模型进行了探索和优化。本文首先基于深度学习的共指消解方法,在Ontonotes Realease 5.0的中文语料上进行实验和分析,并根据实验结果从提升模型性能和模型准确度两个角度提出可优化的方向。结合自然语言处理相关知识以及算法原理,我们发现原模型在处理数据时,可以通过加入中文所特有的分词信息来加深对中文语义的理解,从而预筛选掉一部分不符合语法语义的短语,以达到节省计算资源、提高共指关系识别能力的目的。在选择分词模型时,本文通过实验对比了五种分词方案,结合分词算法的评价指标,以及共指消解模型对不同分词错误的容忍度,得到了合理的分词方式（Bert+Softmax模型）,并将其应用到共指消解任务中。实验结果显示,加入分词信息以后的模型不仅节省了将近1/4的训练时间,各个评价指标也都有了1-2%的提升。随即我们还探索了不同的预训练模型对共指消解任务的适用性,Ro BERTa预训练模型使得共指消解模型的平均F1值又提升了将近1.5个百分点。本文最后将实验中得到的最优模型应用到了通过爬虫获取的金融新闻文本中,统计并分析金融领域所关注的指称的消解效果。测试结果表明,我们的模型在爬虫文本上具备一定的共指消解能力,能较准确地识别名词短语之间的共指关系。