随着人工智能的飞速发展,深度学习的发展水平得到了显著提高。计算机在理解自然语言方面的需求越来越迫切,在机器理解自然语言的过程中不可避免的需要解决歧义的问题,词义消歧的目的是确定一个歧义词在文本中的具体含义,近年来已经引起了研究人员的普遍关注。在仪器领域中,会有很多任务需要计算机去很好地理解文本,比如需求分析、人机交互等,计算机理解文本的重要一环就是词义消歧。现有的词义消歧模型的正确率仍有较大的提升空间,而提高词义消歧模型正确率的有效途径是向模型中注入先验知识,但是现有的词义消歧模型中对于知识的融入方式比较单一,而且在中文词义消歧方面缺乏相应的知识库,基于此本文提出了融合知识的词义消歧模型,通过百科知识库获取相应知识,并将其融入词义消歧模型中,提高了词义消歧模型的正确率,然后将其应用到仪器领域的阅读理解中来证明模型的有效性。第一,设计了融合义项的词义消歧模型。针对目前词义消歧模型正确率不高的问题,本文首先通过爬虫获取百度百科中词语的义项,向预训练语言模型的嵌入层注入义项知识特征,然后将嵌入层应用到预训练语言模型中,实现了词义消歧正确率的提高。第二,提出了一种基于深度学习的融合知识的词义消歧模型,模型中融入知识内容主要包括上位关系和义项知识。首先改进了一种关于上下位关系的定义,设计了一个上位关系抽取的深度学习模型,以判断歧义词在输入文本中的上位关系,同时向模型中注入融合义项的词义消歧模型的中间层输出特征,将两个模型的最终输出特征进行融合,即可得到融合知识的词义消歧模型,最后通过对比实验证明了义项和上位关系在词义消歧模型中的重要作用。第三,在通用领域的词义消歧模型基础上,提出了面向领域的词义消歧模型,并将其应用到仪器领域的阅读理解任务中。面向领域的词义消歧模型是在融入知识的词义消歧模型的基础上增加了领域知识描述模块,通过建立仪器领域知识库,将模块输出特征和原有模型输出特征进行有机融合,向词义消歧模型中注入领域知识,然后基于此设计出面向领域的阅读理解模型,并通过仪器领域的阅读理解实验证明了模型的有效性。