网络的发展带来了文本信息的爆炸式生产,社交网络、购物平台等每时每刻都在产生大量的文本信息。词语歧义作为文本中普遍存在的现象,让自然语言处理遇到了挑战。虽然人类能很好理解歧义词语的释义,但计算机无法很好地自动识别词语的语义。这导致了在机器翻译、信息抽取、文本分类等自然语言处理领域,各种算法都很难精细处理到词语粒度。为了解决词语歧义带来的问题,词义消歧被提出来提高计算机对歧义词语的理解能力,为机器翻译等自然语言处理领域的应用打下基础。本文针对词义消歧展开研究,并围绕基于知识和图模型的消歧算法进行了改进,并运用在短文本领域中。本文主要工作具体如下所示:(1)概述词义消歧的研究领域,对词义消歧算法的发展过程、分类、常用的外部知识等进行了概述,并比较了不同类型词义消歧算法的差异。(2)提出了一种基于全局领域和短期记忆因子的语义图模型,使得语义图能更好的记录全局领域信息,使得消歧结果具有更好的统一性。并基于该语义图进行词义消歧,提高了词义消歧对全局和局部语义的利用能力。大量实验表明:改进的语义图模型对词义消歧算法的结果有显著提升。(3)为了解决短文本即时性、非标准性和语义稀疏的特性,本文将基于图和外部知识的词义消歧运用于短文本分类,使得新提出的方法能有效提升短文本的语义密度。实验结果表明:本文提出的方法对经典算法做出了一定的提升,使得词义消歧在短文本分类的应用上起到了良好效果。