词义消歧是自然语言处理领域的难点之一,有着广泛的应用。其中有监督词义消歧系统在公开评测中表现最好,但是需要大量的人工标注语料。语义相关度是一种重要的语义特征,它的质量直接影响到词义消歧的结果,相关度计算的难点主要在于研究出与人类认知水平接近的计算方法。考虑到中英文现有的资源不同,提出了不同的语义相关度计算方法。针对中文,提出了一种基于知网计算语义相关度方法,并在此基础之上进行词义消歧。该方法利用知网提供的知网推理机和义原,计算语义相关度。充分地利用了知网对语义的结构化定义及其他现有资源。针对英文,提出了一种利用引入词性特征的语境向量计算语义相关度方法,并在此基础之上进行词义消歧。通过引入词性特征的深度学习模型计算语境向量,使用待消歧句与例句的语境向量计算语义相关度,改进后的语义相关度算法得到了较好的消歧效果。在以上方法基础上,提出了一种将语义相关度与有监督的词义消歧结合的方法。对于中文,将用知网计算出的语义相关度与有监督学习结合;对于英文,将用语境向量计算出的语义相关度与有监督学习结合。在结合之后,在中文和英文中词义消歧效果均得到了显著提升。用Sem Eval、Senseval公开评测集进行性能评价,结合方法得到了较好的消歧效果。