随着信息技术的发展,网络上产生了大量的非结构化数据。如何从这些大数据中获取有用的信息,成为自然语言处理领域亟待研究解决的问题。而自然语言中广泛存在的歧义问题.,使得系统无法准确的获取文本的含义,从而制约着相关技术的发展。因此,消除命名实体的歧义现象有着深刻的意义。命名实体消歧涉及到很多的关键技术,包括特征提取、排序、聚类等。本文通过对这些问题的深入研究,提出了一种基于维基百科的命名实体消歧方法,并根据该方法构建了一个命名实体消歧原型系统。本文使用Entity Linking评测数据对系统的有效性进行验证,在Entity Linking2012和Entity Linking2011数据集上,系统F值分别能够达到0.670和0.746。本文主要贡献具体描述如下：1.提出一种多规则的缩写词扩充方法。在以往的缩写词扩充方法中,大多只使用较少的规则。由于自然语言的灵活性和表达方式的多样性,这些方法并不适合所有的缩写词及简称。因此,本文使用多种规则来对缩写词进行扩充。2.提取多种特征来描述待消歧命名实体指称及其与候选实体之间的关系。多数研究往往集中在提取表层特征。但是由于一词多义现象的广泛存在,仅使用此类特征有着一定的局限性。因此,本文在提取表层特征的同时提取多种语义特征。3.采用排序学习算法对待消歧命名实体指称生成的对应候选实体集合进行排序。传统的排序方法虽然简单、易于调试,但是在排序过程中能利用到的特征非常少,远远无法挖掘出在数据集合内部支配排序的有用信息,这些因素都导致系统排序的性能不理想。鉴于此,本文在候选实体排序阶段使用能够整合多种特征排序学习算法。4.本文提出的命名实体消歧方法结合了实体链接算法和实体聚类算法。该方法有效的弥补了以往命名实体消歧方法只使用实体链接算法或实体聚类算法其中一种方法的不足。