语言的歧义性是自然语言的一个典型特征,在自然语言的词语、句子结构、及段落篇章中普遍存在,这种歧义导致了自然语言处理任务的复杂性。如何消除自然语言文本中的歧义,一直以来是自然语言处理领域的难题之一。本文聚焦于自然语言文本中词语级别的歧义性消解（即词义消歧）的方法研究,在对现有词义消歧方法进行深入分析的基础上,从知识库利用和模型设计两方面尝试对现有方法进行改进;采用标准词义消歧数据集,在英文全词消歧、英文样本词消歧、英文少样本消歧、英文零样本消歧、跨语言词义消歧等各类问题场景下,提出有效的消歧方法。同时,本文还探索了词义消歧在下游任务中的应用。本文主要内容与创新性工作包括:1)提出结合两类基于知识库的词义消歧方法的混合消歧方法。该方法首先依赖于领域信息召回和词义关系,学习知识增强的词义表示,并构建基于相似度的消歧方法,然后利用计算得到的词义相似度,对基于图的消歧方法中词义节点的重要性进行初始化,再将两类消歧方法获得的词义重要性进行加权。该方法能充分利用词义知识库中的词义知识。在标准数据集上的实验结果表明,该方法与以往基于知识库的最好词义消歧方法比较,F1值表现相对提升2.8%,性能提升幅度相比前人有显著优势。2)提出基于消歧文档的上下文扩展方法以及基于词义关系和词义类别的二次消歧方法。该方法可以同时结合词义知识库和词义标注语料,以预训练语言模型作为特征抽取器,利用知识库和标注语料中的词义知识学习词义表示;利用消歧文档中的上下文信息学习待消歧词表示。在此基础上,提出基于词义关系和词义类别的二次消歧方法。实验结果表明,该方法能同时在基于知识库和有监督的两类消歧方法中,取得词义消歧的最佳（state-of-the-art）性能,与前人最好方法比较,F1值相对提升分别为6.7%和0.8%。同时,该方法还在样本词消歧、少样本消歧和零样本消歧取得最佳性能,与前人最好方法比较,F1值相对提升分别为0.8%、9.7%、15.2%。3)提出在有监督词义消歧框架中对上下文中的词义关系进行显式建模的消歧方法。该方法在有监督词义消歧框架中,从词语和词义两个层级对上下文进行建模,以便学习单词（词义）之间的相互关联性。该方法摆脱了对专家定义的词义关系的依赖,仅仅从标注语料中学习词义间关系,具有更好的跨语言迁移性。实验结果表明,该消歧框架在使用更少词义相关资源的前提下,在英文全词消歧、英文少样本消歧、英文零样本消歧、跨语言词义消歧数据集中取得显著的性能提升,与前人最好方法比较,F1值相对提升分别为3.7%、5.4%、5.2%、1.2%。4)提出一种部分词消歧方法,并将消歧获得的词义信息嵌入至文本分类模型中进行有监督训练。该方法聚焦于词义消歧系统在具体下游任务中的快速部署,首先利用词义类别信息,设计部分词消歧法,然后将词义信息作为额外的语义信息融入到文本分类模型当中,以此增强模型的语义建模能力。实验结果表明,与基线系统比较,增加了消歧过程及词义信息注入的文本分类框架,在五个文本分类数据集上,均取得了性能提升。