近年来,随着统计机器学习技术的不断发展,对句子进行语义分析逐渐受到重视起来。语义角色标注(Semantic Role Labeling, SRL)是浅层语义分析的一种可行方案,并具有广阔的应用前景,如问答、信息抽取。本文的出发点是将词义信息与语义角色标注任务相融合。在CoNLL2009国际评测中,曾将谓词词义消歧作为语义角色标注的一个子任务。当时,我们的方法是将最好的词义消歧预测结果作为语义角色标注的输入,再进行语义角色标注处理。这种级联方式的处理无法得出全局最优解。我们的想法是通过马尔可夫逻辑网络(Markov Logic Networks, MLNs)这种融合模型将词义消歧与语义角色标注融合起来,使两个任务在预测过程中相互帮助,得出全局最优解。本文将分为两个阶段。第一阶段是验证全词词义信息对语义角色标注的影响。谓词词义信息对语义角色标注是有帮助的,但全词词义信息对语义角色标注是否有帮助一直没有定论。第二阶段是如果全词词义信息对语义角色标注有帮助,我们通过马尔可夫逻辑网络将全词词义消歧与语义角色标注进行融合,将级联方式和融合方式的实验结果对比,进行分析。