命名实体分类是近年来信息抽取的重点研究领域之一,旨在对文本中的实体进行类别划分,传统的实体分类任务可识别类型少,而现实生活中实体类型复杂多样,更详细的类别划分将为信息抽取提供更丰富的信息。目前命名实体分类在监督领域已实现较大的突破,性能具有较大的改进。然而对于特定领域,如军事、医学以及小语种等领域,存在实体标注成本高、耗时长等限制;因此无监督的实体分类具有较高的研究价值,早期无监督实体分类主要通过手工提取特征辅助实体分类,移植性较差,其次,无监督聚类算法在实体分类任务上受参数、数据分布以及维度的限制导致无监督领域发展一直滞后于监督领域,针对以上问题,本文提出基于英文的特征聚类细粒度分类方法,以获取多种特征丰富语义信息,并优化聚类算法适用于细粒度层次分类任务,关于联合表征聚类的细粒度实体分类任务,其研究内容如下:（1）为丰富分类任务的特征信息输入,在不需要任何注释数据的环境下,本文提出联合表征的细粒度实体分类方法。联合表征方法旨在丰富分类任务的特征信息输入,使用三种表征即单词级表征、句子级表征、实体级表征,基于单词、短语以及专业词使用不同特征提取通道得到不同形式的表征结果,丰富模型特征种类信息以提高模型不同领域的泛化能力,实验证明使用联合表征模型有效提升实体分类性能,在不依赖数据标注的情况下,将本文联合表征模型迁移到不同数据集,结果表明本文联合表征方法具有更高的分类精度以及普遍适用性,相较于最新模型,精确度F1值与召回率R分别提高6%和4%的幅度。（2）针对层次聚类算法对数据分布敏感以及时间复杂度高的问题,本文提出基于复杂分布数据的层次聚类优化算法。首先设定合并阈值,将三种表征输入层次聚类,相似度达到阈值及以上合并为一簇,通过聚类将相似特征组合在一起,每个簇分配一个实体级表征,并组合进行链接知识库预测实体类别,并通过细粒度指标选择类别信息最长路径赋予整个簇,最后在生物医学数据集将本文模型与最新监督模型进行比较分析,本文实现与监督模型可竞争性的结果。