汉语的一词多义现象使机器对自然语言的处理带来了许多困难，很多自然语言处理领域的问题归根结底都是解决词语的歧义问题。如何才能让计算机理解一个歧义词在其特定的上下文中准确的含义是词义消歧需要解决的首要问题。词义消歧对于很多自然语言处理的应用问题都有非常重要的作用，诸如信息检索、机器翻译、文本分类和自动文摘等。本文研究的是统计学习方法中的有指导的词义消歧方法，这种方法与机器学习方法的结合是当前主流的词义消歧方法。而且这种方法的灵活性好，扩展性高，同时还能够应付语言的发展变化，受到了国内外学者的一致好评。本文主要有以下几部分的研究内容：首先，研究了词义消歧的多种分类方法，介绍了比较权威的词义消歧评测体系，并提出了在词义消歧的过程中可能遇到的问题及解决方案。其次，研究了词义消歧特征工程的两方面内容：特征的提取和特征的选择。在特征提取部分，研究了基于滑动词窗和基于句法分析树的特征提取方法，重点阐述了句法分析树的建立过程以及基于句法分析树的特征提取方法的算法流程。在特征选择部分，研究了基于词的特征提取方法，利用句法信息的特点，提出了将句法信息和词性信息融合的特征选择方法。同时，根据朴素贝叶斯模型的鲁棒性和适用性等特点，优化了基于句法树的贝叶斯词义消歧分类模型。最后，研究了词义消歧模块在机器翻译中的应用。在实际机器翻译系统中加入了词义消歧模块，虽然研究并不完善，得到的结果也不是很令人满意，但也能给机器翻译提供一定的现实意义。