国内外很多学者都在关注相关词自动识别研究，但基本上都是研究基于单一知识源提取相关词，本文则主要探讨基于多知识源的相关词自动识别技术与方法。　　 识别相关词实质上就是对词汇间关系的判定。不同的知识源从不同侧面反映了词汇关系：大规模语料库是大量真实文本的集合，是词汇的正规应用；释义词典中包含的是词汇的详细定义；而用户日志有了用户的间接参与，反映了用户视角的词汇关系。这三种资源中隐含的词汇关系各有侧重，互补性很强，因此，我们选定它们作为相关词提取知识源。　　 为了提高相关词识别的准确度和系统效率，我们首先对各种资源进行分词和去停用词处理。现有的分词算法可分为三大类：基于字符串匹配的分词方法，基于理解的分词方法和基于统计的分词方法。实验系统采用了逆向最大匹配分词算法，并在分词的同时过滤掉部分停用词，一定程度上减小了相关词提取过程中的计算量。　　 比较了几种常用统计量的统计效果，最后选用互信息来衡量大规模语料库中词汇间的相关度。因为大规模语料库的数据量非常大，统计大量词汇在语料库中的共现频次的运行时间过长，为了提高速度，我们建议对语料库建立多级索引并过滤掉频次差别悬殊的词对。在实验系统中，笔者借用北京新星快威数码技术有限公司的DIPS系统，为语料库数据快速建立索引，大大的提高了统计速度。　　 从词典释义中发现相关词，采用的是向量空间方法。因为词典中词条不全，我们提出为每对词汇依据词汇释义分词结果建立释义空间，用释义空间描述词汇向量，将计算词汇间相关度转化为计算向量间距离。实验结果表明，这种方法能够识别出大部分相关词，但是会漏掉少数释义不一致的同义词，为了解决这个问题，我们建议了两种方法：(1)模式提取；(2)引入大规模语料库中挖掘相关词的互信息方法。　　 根据用户日志数据的特点，笔者提出把同一IP地址的检索词聚成一条记录，然后将大规模语料库中的相关词挖掘方法移植过来。在最后的相关词整合过程中，因为英文检索日志中发现的相关词不能和中文相关词整合，笔者把从百度和北大天网中提取的相关词，与基于其它知识源提取的相关词整合。　　 分析实验结果，笔者发现，虽然面向相同的基本词汇集合，但是基于不同知识源提取的相关词之间的重复率很低，各个结果间的互补性很强，因此，结果整合非常有必要。文中提出两种整合途径：直接整合与加权整合。在实验系统中，通过直接整合途径得到了最后的相关词词表。