在移动互联网和大数据迅速发展的时代,海量数据都是以自然语言的形式进行存储,这些数据蕴含着巨大的价值,但同时又存在大量歧义性。词义消歧可增强计算机使用和理解自然语言的能力,在机器翻译、文本分类、信息检索等领域应用越来越广泛。词义消歧已经演变成自然语言处理中亟待解决的重要课题。本文针对在整合词典知识的神经网络词义消歧模型中,存在忽略歧义词上下文和词义定义间层级交互作用的问题,构建基于混合神经网络的多粒度层级融合词义消歧模型,进一步提升词义消歧准确度。本文的主要研究内容如下:（1）提出基于多粒度词级的双向注意力机制词义消歧模型。首先将词级向量和字符级向量垂直级联,采用高速神经网络输出调整相对贡献比的词级向量表示。通过双向注意力模型获得歧义词上下文和词义定义之间的词级交互向量表示,最终输出歧义词在特定上下文语境中的词义。（2）提出基于增强词义定义句子级的双向注意力机制词义消歧模型。引入词典语义关系中词义的上位词和下位词,构造增强的词义定义句子级向量表示。通过双向注意力模型获得歧义词上下文和增强词义定义之间的句子级交互作用向量表示,最终输出歧义词在特定上下文语境中的词义。（3）提出基于混合神经网络的多粒度层级融合词义消歧模型。考虑到歧义词的上下文语境和词义定义的词级和句子级两个层级对歧义词判断都存在重要作用,通过输出层的层级融合计算,得到词级和句子级模型的上下文分数和词义定义分数,判断歧义词在特定上下文语境中的词义。（4）通过实验验证,多粒度向量构建可以获取词级补充表示,上下位词引入可增强原始词义定义语义信息,运用双向注意力模型可构建上下文和词义定义之间的交互作用。本文提出的基于混合神经网络的多粒度层级融合词义消歧模型在Sem Eval-13 task12和Sem Eval-15 task13两个国际评测测试集上的F1分数分别达到了69.3%和73.7%,验证了该模型可进一步提升词义消歧准确度。