自计算机被研发问世以来,人类从最开始使用二进制码与计算机进行互动,到使用汇编语言给计算机发送指令,再到之后的使用高级编程语言调用计算机的各项功能,经历了漫长的发展。但是即便使用高级编程语言与计算机进行交互,依然没有达到人类不懈追求的最终目标—“让计算机理解人类的自然语言”。因此,如何让计算机理解人类的自然语言这一研究领域应运而生,即自然语言处理(NLP)。而在NLP中,存在最大的问题就是自然语言并不像高级编程语言或者汇编语言那样,每一条代码或者指令最后都只会转化为一条唯一确定的计算机能够理解的二进制编码。这是由于在自然语言中,无论文章、句子还是词语,都存在多义和歧义的特点造成的。所以如何消除自然语言中的歧义成为了自然语言处理研究中的重点和难点问题。自然语言处理中的歧义问题,从基础上影响和制约着自然语言在各个领域的应用效果和质量,比如在机器翻译领域中的应用、文本处理领域中的应用、信息检索领域和数据分析领域中的应用等。基于以上背景,本文将基于Viterbi算法的词性标注模型、CBOW语言模型及K-Means聚类算法进行组合,构建一种基于词向量的多义词组合消歧模型(VCK-Vector)。通过词性分布对比、语义相关度任务和聚类效果分析等方法对模型进行分析,最后通过现代汉语多义词词典中的多义词对模型进行评价。相较于单纯使用语言模型训练得到的词向量,VCK-vector模型缩小了多义词在上下文中的词义范围,提高了通过上下文对多义词消歧的效果,更加清楚准确的反映了多义词与其相关词语之间的关系。通过验证,VCK-vector模型的消歧精度达到81.7%。相较于基于《同义词词林》的统计消歧方法准确率提高了1.7%,相较于单纯使用CBOW语言模型进行多义词消歧,准确率提高了29.7%。最后,本文对模型进行实验验证,通过实验数据整理、实验结果分析以及与百度AI词向量对比等工作,证明了本文所提出的组合消歧模型在处理大型中文语料库的多义词消歧问题上是有效可行的。