在自然语言领域,词汇在不同的语境中所表达的意思往往会有偏差,甚至截然不同,这就是一词多义现象。词义消歧（Word Sense Disambiguation,WSD）就是为了解决一词多义现象而提出的,其目的是通过建立算法模型来确定不同语境下歧义词汇所表达的真实含义。本文使用传统机器学习模型和卷积神经网络（Convolution Neural Network,CNN）模型作为基础词义消歧模型,建立了基于多模型集成的半监督词义消歧模型和基于聚类思想的半监督词义消歧模型。利用训练数据优化基础词义消歧模型,使用多模型集成算法和聚类算法筛选高置信度的无标签语料,并进行标注。将标注后的高置信度无标签语料添加至有标签语料,使得训练语料规模不断扩充,从而使得基础词义消歧模型不断优化。不断重复这一过程使得训练语料库规模达到最大,此时基础词义消歧模型性能达到最优。在本文中主要对以下三个方面作了详细的研究。其一,详细地分析了词义消歧问题的研究目的、研究意义和适用场景,介绍了国内外词义消歧领域的研究历史和现状,并在此基础上分析了词义消歧问题的研究难点和未来的研究方向。同时介绍了常见的词义消歧方法,详细分析了各个方法的优劣和适用场景。其二,详细地介绍了本文实验中使用的语料数据集,并介绍了消歧特征提取的具体流程,介绍了基于支持向量机（Support Vector Machine,SVM）模型、随机森林（Random Forest,RF）模型和CNN模型的消歧过程,并对三者进行了详尽的分析。其三,详细地介绍了半监督思想的概念,建立了基于多模型集成和聚类算法的半监督词义消歧模型。利用训练数据集优化基础词义消歧模型,利用多模型集成算法和聚类算法判别无标签语料是否是高置信度语料,如果是则将该数据加入至训练数据集中,并再次利用训练数据集优化基础词义消歧模型。不断重复上述过程,直到不再有无标签数据加入到训练数据集中为止。