随着全球学术活动蓬勃发展,学术文献的数量和学术研究者的人数与日俱增。因此,数字图书馆、学术搜索引擎等科技服务应运而生,为学术研究者提供了便捷的信息检索服务。然而,由于作者姓名的歧义性,文献知识库无法保证返回数据的准确性。这大大影响了人们学术活动的准确性和效率。在这一背景下,对于同名作者消歧问题的研究是很有意义且必要的。针对该问题,本文的研究内容概括如下:（1）为了有效地处理属性特征丢失严重的情况,本文提出了基于多种特征信息与图神经网络的框架MFAND。该方法首先使用一个特征生成策略生成多种特征信息,以处理严重的属性特征丢失的问题;之后,使用图卷积神经网络搭建了一个名为R3JG的编码器去重构和聚合多种特征信息,以增强MFAND的泛化能力;最后,将重构和聚合的特征信息输入到一个由多层感知机构建的二分类模型去实现消歧。（2）为了考虑不同的属性特征对消歧结果会产生不同影响的情况,我们设计了基于多相似度系数与多重注意机制的框架EAND。首先,该框架改进了原有的多种相似度系数,以解决量化成对出版物的相似性时面临的原始文档特征的尺度差异问题;然后,一种基于多重注意机制的特征提取模型（EX）被设计去捕捉多种类型的属性特征信息之间的影响,充分利用每个原始文档特征的贡献,并提取用于解决AND问题的关键信息;最后,将提取的关键信息输入决策模型（DI）,以判别两篇文献是否由同一个作者发表。此外,DI还考虑了向量空间的结构信息。（3）为了能够处理同名作者增量消歧问题,我们构建了基于多领域信息与元学习的同名作者增量消歧框架IAND。该方法首先利用Word2vec技术得到语义型数据的嵌入表示,并使用改进的多种相似度系数得到结构型数据的嵌入表示;然后,借鉴GraphSAGE模型设计多领域信息聚合器（MIA）,以有效地捕获和聚合由多领域信息组成的序列中的重要信息;其次,为了有效地聚合同一候选作者下所有的文献嵌入表示,设计了一个循环自动编码聚合器（RATA）;最后,搭建了一个循环处理机制（RPR）以度量每个目标对与候选作者之间的相似度以实现同名作者增量消歧。综上,本文从三个角度对同名作者消歧问题进行研究,并在真实数据集上验证了相关方案的有效性,对文献知识库进行文献地组织和管理具有一定的参考价值。