信息的爆炸式增长促使了自然语言处理技术的发展,如何高效地从海量的文本数据中提取出有用的语义信息是目前研究的重点与难点问题。结合自然语言本身的特点,本文从序列标注和词义消歧两个方向展开研究并提出相应的改进方法,主要工作及研究内容如下:（1）研究基于序列标注的语义信息提取方法。传统的利用Bi LSTM的单词级序列标注方法通常忽略了字符中的语义信息,同时这种顺序处理输入序列的方式会限制捕捉句子内非连续单词之间依赖关系的能力,容易造成长距离语义信息损失的问题。针对这些问题,本文提出基于注意力机制的字符级序列标注方法,以字符作为模型输入的基本单位,利用注意力机制捕获字符中重要的词缀信息和特征,生成增强了单词级表征能力的词向量;利用多头注意力机制建模句子中任意两个单词之间的语义关系,减少序列化特征学习的限制,得到更丰富的语义依赖信息,并通过实验验证了模型的有效性。（2）研究基于词义消歧的语义信息提取方法。基于主题模型的词义消歧方法虽然得到了文本的全局语义信息,但是却忽视了词义本身的信息和歧义词所在的上下文对消歧的影响。本文针对这些问题提出了基于语义关系与双通道主题模型的词义消歧方法,一方面利用Word Net中同义词集的信息对歧义词各义项进行语义关系建模,拓展词义注释,并与上下文进行相似度计算;另一方面分别将Word Net同义词集信息和歧义词紧邻实词作为主题模型的两个不同的输入,构建双通道主题模型,获得文本的深层语义信息。最终将词义信息和主题信息融合起来,共同解决消歧中出现的偏差,提高语义信息提取的准确性。（3）针对现有的神经机器翻译无法学习到单词语言学信息的问题,将序列标注模型中提出的方法用在神经机器翻译中,通过将序列标注解析到的词性信息融入到翻译系统中,提高神经机器翻译的准确率;由于统计机器翻译中单词的翻译是影响翻译质量的关键问题,将基于语义关系与双通道主题模型的词义消歧方法用在统计机器翻译中,提升基于短语的统计机器翻译的效率。实验表明,本文提出的改进的语义信息提取方法在机器翻译领域有较好的实用性。